陳東毅　李玉榕

摘要：低成本、易實施、無接觸式的步態(tài)信號采集與分類平臺可為步態(tài)的定量評估、智能診斷提供新的研究路徑與參考思路。應(yīng)用改進經(jīng)驗?zāi)B(tài)分解（empirical mode decomposition， EMD）結(jié)合Bagging正則化共空間模式（Bagging regularized common spatial pattern， BRCSP）與Fisher線性判別分析法（Fisher linear discriminant analysis， FLDA）設(shè)計了步態(tài)信號采集與分類平臺。該平臺將采集到的步態(tài)信號通過改進EMD進行濾波，抑制高頻干擾噪聲，提取真實、有用的本征模態(tài)分量（intrinsic mode function， IMF）進行信號重構(gòu)，從而得到包含完整、準(zhǔn)確步態(tài)信息的信號;再通過BRCSP特征提取方法強化步態(tài)信號的個體差異性及共同特征，提取出顯著的特征分量;最后應(yīng)用FLDA方法將特征向量映射到低維度空間中并進行步態(tài)分類。實驗結(jié)果表明，該平臺能準(zhǔn)確分類進入紅外、激光檢測區(qū)域內(nèi)的不同步態(tài)，平均分類準(zhǔn)確率達到96.6%。

關(guān)鍵詞：步態(tài)識別;特征分類;改進的經(jīng)驗?zāi)B(tài)分解;Bagging正則化共空間模式;Fisher線性判別分析法

中圖分類號：TP273;R318文獻標(biāo)志碼：A

人在指定的紅外、激光探測區(qū)域行走時會產(chǎn)生幅值持續(xù)變化的電信號，將該信號經(jīng)過軟硬件處理后可以用于表征人的步態(tài)特征信號，該特征信號直觀反應(yīng)了人的行走狀態(tài)與健康狀況[1]。特別是在足下垂患者的臨床康復(fù)中，步態(tài)的檢測、分析對揭示患者異常步態(tài)的成因、制定康復(fù)訓(xùn)練計劃與后期的康復(fù)狀態(tài)評估起到了至關(guān)重要的作用[2-5]。

目前，主要的步態(tài)評估方法有主觀觀察法和量表評分法，部分研究機構(gòu)會利用三維運動捕捉系統(tǒng)和測力平臺進行評估。主觀觀察法帶有明顯的個人主觀差異，步態(tài)評估的可靠性不足;量表評分法提供的步態(tài)信息不夠客觀、準(zhǔn)確;三維運動捕捉系統(tǒng)和測力平臺與之相比雖具有較好的準(zhǔn)確性和可靠性，但昂貴的價格、高門檻的技術(shù)要求和場地的限制等因素導(dǎo)致了其無法在臨床診斷中得到大規(guī)模的使用[6-9]。鑒于此，如何在實時變化的步態(tài)信號中準(zhǔn)確并快速地表征不正常的步態(tài)信息是步態(tài)評估的關(guān)鍵所在，搭建低成本、易實施、無接觸式的步態(tài)信號采集與分類平臺是將步態(tài)評估方法進行實際臨床應(yīng)用的重要舉措。

為了解決上述的問題，本文提出了改進經(jīng)驗?zāi)B(tài)分解（empirical mode decomposition， EMD）結(jié)合Bagging正則化共空間模式（Bagging regularized common spatial pattern， BRCSP）與Fisher線性判別分析法（Fisher linear discriminant analysis， FLDA）的步態(tài)識別新方法，并設(shè)計了一套基于紅外、激光等探測器的步態(tài)檢測與分類實驗平臺。通過理論論證和實驗驗證表明，該平臺實現(xiàn)了步態(tài)自動識別的功能;能準(zhǔn)確表征異常步態(tài)信息，為步態(tài)的健康評估提供科學(xué)依據(jù)。

1改進的步態(tài)信號經(jīng)驗?zāi)B(tài)分解

非線性、非平穩(wěn)的步態(tài)信號經(jīng)過傳統(tǒng)EMD后，會得到含有低頻虛假的、有限階次的本征模態(tài)分量（intrinsic mode function， IMF）。為了得到既包含步態(tài)特征信息又無高頻干擾噪聲的步態(tài)信號，文獻[1]和[10]提出了改進的EMD算法，克服了傳統(tǒng)EMD分解對低頻段步態(tài)信號特征分析的影響，從而獲得準(zhǔn)確的步態(tài)信號。

1.1能量矩占比

計算各階IMF能量與步態(tài)信號總能量的占比，對比后篩選出占比大的IMF分量，濾除虛假的IMF分量[1，10]。

1.3步態(tài)信號分解與重構(gòu)

2Bagging正則化共空間模式算法

共空間模式（common spatial pattern， CSP）是一種適用于二分類判別的空間濾波器，通過構(gòu)造最優(yōu)空間濾波器，使多通道的步態(tài)信號矩陣的方差值差異最大化，得到具有明顯區(qū)分度的特征向量[11-12]。正則化空間模式（regularized common spatial pattern， RCSP）算法優(yōu)化了CSP算法對噪聲敏感的問題，但該算法的穩(wěn)定性與分類準(zhǔn)確度有待提高[13-14]。

本文將提前采集到的步態(tài)數(shù)據(jù)作為步態(tài)訓(xùn)練樣本數(shù)據(jù)包，利用Bagging思想即通過重復(fù)選取訓(xùn)練樣本數(shù)據(jù)包的方法，將訓(xùn)練的樣本數(shù)據(jù)以數(shù)據(jù)包的形式進行劃分。Bagging正則化共空間模式（Bagging regularized common spatial pattern， BRCSP）算法繼承了RCSP中關(guān)于遷移學(xué)習(xí)的算法理念，將其他被試者的步態(tài)數(shù)據(jù)加入到RCSP的算法中，計算被試者信號的協(xié)方差矩陣，最后求出具有顯著特征的特征分量;該算法的優(yōu)勢在于強化了步態(tài)信號的個體差異性，保留共有特征及提高算法的準(zhǔn)確度[15]。

2.1被試者步態(tài)信號的協(xié)方差矩陣

2.2基于BRCSP的協(xié)方差矩陣估計

3步態(tài)信號的Fisher分類判別

4步態(tài)信號的分類過程

5步態(tài)信號檢測與分類平臺的設(shè)計

5.1平臺的硬件設(shè)計

基于紅外、激光探測器等搭建了步態(tài)信號檢測與分類平臺。該平臺主要由前端探測器模塊、電平轉(zhuǎn)換電路、信號調(diào)理電路、電源供電電路、STM32控制器，以及步態(tài)信號特征提取模塊、步態(tài)信號特征分類模塊、分類結(jié)果液晶顯示模塊等組成;其中前端探測器模塊由紅外探測器、激光測距傳感器、紅外光柵陣列等組成。平臺的硬件結(jié)構(gòu)設(shè)計和電路實物圖如圖2、3所示。

該平臺搭配選用多種傳感器模塊，通過搭建電平轉(zhuǎn)換電路與信號調(diào)理電路實現(xiàn)步態(tài)信號的預(yù)處理。STM32控制器主要負責(zé)步態(tài)信號特征提取與分類的算法運行，通過串口通信將步態(tài)信號與分類結(jié)果顯示到液晶屏上，實現(xiàn)對進入檢測區(qū)域的步態(tài)信號自動檢測與分類的功能。17C5BFFA-819E-4E5F-A356-A5E399293C51

5.2平臺的軟件流程設(shè)計

本文設(shè)計的步態(tài)信號檢測與分類平臺的軟件運行流程，如圖4所示。軟件開始運行時，前端各傳感器工作在正常狀態(tài)下，主程序靜默等待步態(tài)信號的觸發(fā)，之后對觸發(fā)的信號進行特征提取，判定是否為步態(tài)信號，再對步態(tài)進行分類，最后將步態(tài)信號、分類結(jié)果一同顯示到LCD液晶屏。

6結(jié)果分析

6.1步態(tài)信號采集

在指定的探測區(qū)域內(nèi)有步態(tài)信號產(chǎn)生，前端探測器采集到幅值連續(xù)變化的電信號經(jīng)過電平轉(zhuǎn)化、信號調(diào)理等處理后的正常、非正常步態(tài)信號，如圖5所示。

6.2步態(tài)信號的特征提取與分類

經(jīng)過EMD后的步態(tài)信號各階IMF分量能量矩占比T、方差貢獻率M分別由式（2）、（3）給出，表1給出了步態(tài)信號的特征參數(shù)。

對前5階IMF分量運用線性插值法進行信號重構(gòu)，重構(gòu)后的步態(tài)信號經(jīng)過BRCSP、FLDA后的特征分類，如圖6所示。

由圖6可知：經(jīng)過改進EMD濾波和BRCSP特征提取等處理后的步態(tài)信號，在FLDA上可以找到最佳投影軸實現(xiàn)正常與非正常步態(tài)的準(zhǔn)確分類，分類結(jié)果之間具有明顯的類間間距和類內(nèi)間距，使得步態(tài)的個性差異化和共有特征得到完整體現(xiàn)。為了進一步提高步態(tài)分類的精度，通過建立大量的正常、非正常步態(tài)數(shù)據(jù)集來強化不同步態(tài)之間的特征值。

6.3實驗結(jié)果

利用步態(tài)信號實驗平臺對不同測試者在不同的步行速度下進行步態(tài)二分類實驗，結(jié)果見表2。測試者1～3模擬足下垂患者的步態(tài)，測試者4～5模擬正常人的步態(tài);測試者以0.15、0.20、0.25、0.30、0.35 m/s的步速通過同一個紅外、激光探測區(qū)，步速分別以v₁、v₂、v₃、v₄、v₅表示。實驗結(jié)果表明該平臺對步態(tài)能做出準(zhǔn)確的分類。

為了充分驗證新方法的有效性和可行性，利用本文設(shè)計的硬件平臺進行大量的步態(tài)信號采集實驗，然后利用支持向量機（support vector machines， SVM）、BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、CNN卷積神經(jīng)網(wǎng)絡(luò)進行步態(tài)二分類識別的對比實驗。其中，支持向量機中最優(yōu)參數(shù)懲罰因子c與基于高斯徑向基RBF的核函數(shù)參數(shù)g是通過網(wǎng)格法進行全局搜索并尋優(yōu)后得到的;BP神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元個數(shù)為12，輸入層與隱含層之間是tansing函數(shù)，隱含層與輸出層之間是purelin函數(shù)，迭代次數(shù)為100，訓(xùn)練的誤差目標(biāo)設(shè)置為0.000 01;RBF神經(jīng)網(wǎng)絡(luò)的最大神經(jīng)元個數(shù)為3 000，訓(xùn)練的誤差目標(biāo)設(shè)置為0.000 01;CNN卷積神經(jīng)網(wǎng)絡(luò)由8層網(wǎng)絡(luò)組成，輸入層為32×16的數(shù)據(jù)量，卷積層有2個特征圖，卷積核大小為5×5[19]。測試者仍以0.15、0.20、0.25、0.30、0.35 m/s的步速經(jīng)過探測區(qū)域，步速分別以v₁、v₂、v₃、v₄、v₅表示，每種步速進行30次實驗。對經(jīng)過5種不同算法計算后得到的步態(tài)分類準(zhǔn)確率進行對比，結(jié)果見表3。

由表3可以看出，本文算法較其他算法具有更高的分類精度，表明該算法對步態(tài)特征提取是準(zhǔn)確有效的。對算法的耗時進行比較發(fā)現(xiàn)，本文算法基于矩陣的運算，不涉及模型、網(wǎng)絡(luò)的建立，算法矩陣的計算量很小;但前4種算法需要進行網(wǎng)絡(luò)的優(yōu)化和參數(shù)的迭代，耗時長、計算量大，說明復(fù)雜的智能化算法對系統(tǒng)的耗時影響顯著，不利于軟件算法的實現(xiàn)，會導(dǎo)致平臺總體造價的提高。綜上所述，本文提出的算法相較于其他算法，在分類準(zhǔn)確率、識別快速性及算法實現(xiàn)方面等問題上具有一定的優(yōu)勢。

7結(jié)論

本文應(yīng)用改進EMD，結(jié)合BRCSP與FLDA判別法，設(shè)計了一個能夠準(zhǔn)確識別步態(tài)信號的平臺，實驗結(jié)果表明該平臺對步態(tài)信號的平均識別準(zhǔn)確率達到96.6%。相比現(xiàn)有的步態(tài)評估系統(tǒng)，該平臺的優(yōu)勢表現(xiàn)在：步態(tài)信號的共有特征及個體步態(tài)的差異性得到有效的強化;平臺的硬件組成結(jié)構(gòu)簡單、模塊化設(shè)計，軟件算法易于實現(xiàn)，總體造價低廉;不受測試環(huán)境、空間條件的約束，平臺易于在有限的空間內(nèi)進行部署并實現(xiàn)步態(tài)的快速檢測與分類;無接觸式的步態(tài)檢測極大地降低了對被試者的外部干擾，免除了穿戴式傳感器等檢測裝置需要保證牢固穿戴、設(shè)備重復(fù)標(biāo)定的困擾。

下一步的工作方向是進一步改進算法，通過建立大量的步態(tài)數(shù)據(jù)樣本集來強化正常、非正常步態(tài)的特征值，進一步提高步態(tài)分類的精度，同時細化非正常步態(tài)的分類結(jié)果，實現(xiàn)對非正常步態(tài)不同嚴重程度的評估，預(yù)測人體的康復(fù)狀態(tài)及健康趨勢。參考文獻：

[1]陳東毅， 陳建國， 李玉榕. 結(jié)合人體移動特征頻率提取新方法的紅外探測實驗教學(xué)平臺的設(shè)計[J].實驗技術(shù)與管理， 2020， 37（6）： 107-111.

[2] 李光耀. 基于角速度傳感器的人體下肢運動識別[D]. 天津： 河北工業(yè)大學(xué)， 2013.

[3] ZDRAGKAS G I， AVARITSIOTIS J N. Gait analysis and automatic gait event identification using accelerometers [C]//IEEE International Conference on Bioinformatics and Bioengineering. Athens： IEEE， 2008： 1-6.

[4] DEJNABADI H， JOLLES B M， AMINIAN K. A new approach to accurate measurement of uniaxial joint angles based on a combination of accelerometers and gyroscopes[J]. Biomedical Engineering， 2005， 52（8）： 1478-1484.17C5BFFA-819E-4E5F-A356-A5E399293C51

[5] FERRARELLO F， BIANCHI V A， BACCINI M， et al. Tools for observational gait analysis in patients with stroke： a systematic review[J]. Physical Therapy & Rehabilitation Journal， 2013， 93（12）： 1673-1685.

[6] TORO B， NESTER C， FARREN P. A review of observational gait assessment in clinical practice[J]. Physiothe-rapy Theory and Practice， 2003， 19（3）： 137-149.

[7] FRENKEL T S， GILADI N， PERETZ C， et al. Effect of gait speed on gait rhythmicity in parkinsons disease： variability of stride time and swing time respond differently[J]. Journal of NeuroEngineering and Rehabilitation， 2005， 2（1）： 23-27.

[8] CLARK R A， PUA Y H， FORTIN K， et al. Validity of the microsoft kinect for assessment of postural control[J]. Gait & Posture， 2012， 36（3）： 372-377.

[9] 朱業(yè)安， 徐唯偉， 王睿， 等. 偏癱步態(tài)障礙的自動識別和分析[J]. 生物醫(yī)學(xué)工程學(xué)雜志， 2019， 36（2）： 306-314.

[10]陳東毅， 陳建國， 李玉榕. 改進經(jīng)驗?zāi)B(tài)分解與譜峭度法的步態(tài)信號特征分析[J]. 福州大學(xué)學(xué)報（自然科學(xué)版）， 2019， 47（5）： 630-634.

[11]KANG H， NAM Y， CHOI S. Composite common spatial pattern for subject-to-subject transfer[J]. IEEE Signal Processing Letters， 2009， 16（8）： 683-686.

[12]LOTTE F， GUAN C. Regularizing common spatial patterns to improve BCI designs： unified theory and new algorithms[J]. IEEE Transactions on Biomedical Engineering， 2011， 58（2）： 355-362.

[13]LU H P， ENG H-L， GUAN C， et al. Regularized common spatial pattern with aggregation for EEG classification in small-sample setting[J]. IEEE transactions on Biomedical Engineering， 2010， 57（12）： 2936-2946.

[14]LOTTE F， GUAN C. Regularizing common spatial patterns to improve BCI designs： unified theory and new algorithms[J]. IEEE Transactions on Biomedical Engineering， 2011， 58（2）： 355-362.

[15]張毅， 尹春林， 蔡軍， 等. Bagging RCSP 腦電特征提取算法[J]. 自動化學(xué)報， 2017， 43（11）： 2044-2050.

[16]蘇祖強， 湯寶平， 劉自然， 等. 基于正交半監(jiān)督局部Fisher判別分析的故障診斷[J]. 機械工程學(xué)報， 2014， 50（18）： 7-13.

[17]薛忠軍， 王佳妮， 張肖寧. 基于Fisher函數(shù)的水泥路面板底脫空判別方法[J]. 振動與沖擊， 2013， 31（17）： 155-160.

[18]付榮榮， 田永勝， 鮑甜恬. 基于稀疏共空間模式和Fisher判別的單次運動想象腦電信號識別方法[J]. 生物醫(yī)學(xué)工程學(xué)雜志， 2019， 36（6）： 911-915， 923.

[19]賈曉輝， 王濤， 劉今越， 等.基于人體模型映射的步態(tài)識別及意圖感知方法[J]. 儀器儀表學(xué)報， 2020， 41（12）： 236-244.

（責(zé)任編輯：周曉南）

Design and Implementation of Gait Signal Acquisition

and Classification Platform

CHEN Dongyi LI Yurong

（1.College of Electrical Engineering and Automation， Fuzhou University，F(xiàn)uzhou 350108， China;

2.Fujian Key Lab of Medical Institute and Pharmaceutical Technology， Fuzhou University，F(xiàn)uzhou 350108， China）Abstract： Low cost， easy implementation and non-contact gait signal acquisition and classification platform can provide a new research path and reference ideas for quantitative evaluation and intelligent diagnosis of gait. A gait signal acquisition and classification platform is designed by using improved empirical mode decomposition（EMD） combined with Bagging regularized common spatial pattern（BRCSP） and Fisher linear discriminant analysis（FLDA）. The collected gait signals are filtered by improved EMD to suppress high-frequency noise and extract the real and useful intrinsic mode function（IMF） for signal reconstruction， thus obtaining complete and accurate gait signals by this platform. BRCSP feature extraction method is used to enhance individual differences and common features of gait signals， and significant feature components are extracted. The feature vector is projected into the lower spaces with FLDA and then classify the gait. Experimental results show that the proposed method can accurately classify different gaits in infrared and laser detection regions， with an average classification accuracy of 96.6%.

Key words： gait recognition; characteristics classification; improved empirical mode decomposition; Bagging regularity common apatial pattern; Fisher discriminant analysis17C5BFFA-819E-4E5F-A356-A5E399293C51