本發(fā)明的技術(shù)方案涉及非移植在人體內(nèi)的假體，具體地說是大腿殘肢者的步態(tài)識別方法。
背景技術(shù)：
：近年來，隨著交通事故、工傷、自然災害等意外傷害的頻繁發(fā)生以及腦血管疾病、糖尿病和骨關(guān)節(jié)病等慢性疾病的不斷蔓延，大腿截肢患者的數(shù)目正以驚人的速度飛速增長。獲取有效的信號源并準確識別是大腿殘肢者的不同步態(tài)成為主動型假肢智能控制的重要性保證。隨時感應(yīng)地面的狀況，并隨時配合調(diào)整，可以保證佩戴假肢者的安全性、穩(wěn)定性以及適應(yīng)性。膝關(guān)節(jié)作為人體中最大、最復雜的關(guān)節(jié)，其可以承受很大的力和力矩，在不同步態(tài)模式中起著重要的作用。因此對于大腿截肢者而言，截肢使他們失去了行走的最重要的關(guān)節(jié)，安裝的假肢膝關(guān)節(jié)的性能成為決定他們恢復運動能力的關(guān)鍵因素。目前，被動型假肢不能主動提供有效的動力，穿戴者行走時完全依靠殘肢帶動假肢行走，且不能實現(xiàn)任意步態(tài)的行走，步速不自然，消耗能量較大，穿戴者極易感到疲勞。而主動型假肢可以為膝關(guān)節(jié)提供動力,實現(xiàn)了關(guān)節(jié)的主動擺動功能?，F(xiàn)有技術(shù)中，CN101947151A公開了一種基于動力膝下假肢的步態(tài)識別方法，在全新的視角提出了同時含有動力踝關(guān)節(jié)和動力腳趾關(guān)節(jié)的步態(tài)識別方法。基本思想是在動力膝下假肢的相應(yīng)位置安裝傳感器，根據(jù)力矩和踝關(guān)節(jié)角度判斷踝關(guān)節(jié)支撐期的被動跖屈階段、被動背屈階段、主動跖屈階段、被動背屈階段、主動跖屈階段和擺動期，能及時地識別相應(yīng)運動，對于僅僅采集姿態(tài)、速度等運動力學信息的傳統(tǒng)方法具有明顯優(yōu)勢。但是，該方法存在所涉及的動力踝關(guān)節(jié)和動力腳趾關(guān)節(jié)的制作成本高，動力腳趾關(guān)節(jié)市場應(yīng)用少，不利于殘肢者的假肢維修的缺陷。對于膝下截肢患者來說，假肢的購買價格及維修是否便利非常重要；CN201210214871.4披露了肌電信號與關(guān)節(jié)角度信息融合的下肢運動軌跡預測方法，利用肌電信號與膝關(guān)節(jié)角度信息，可以識別行走、站起、下蹲和伸膝四種下肢運動模式，用于下肢假肢控制。其不足之處是利用Vicon三維運動捕捉系統(tǒng)計算膝關(guān)節(jié)角度，增加了信息采集的難度，將受試者的活動區(qū)域限制在特定的實驗室，不利于該技術(shù)的實際應(yīng)用，而且并未提及上下樓梯和上下坡等常見路況信息的識別。但是，對于大腿截肢的患者來說，及時識別上下樓梯和上下坡等行走模式，對于恢復運動能力和人機協(xié)調(diào)運動是非常關(guān)鍵和必要的問題。技術(shù)實現(xiàn)要素：本發(fā)明所要解決的技術(shù)問題是：提供大腿殘肢者的步態(tài)識別方法，是一種基于肌電信號的外骨骼行走模式識別方法，對大腿截肢患者五種典型步態(tài)：平地、上樓梯、下樓梯、上斜坡和下斜坡進行準確分類，克服了現(xiàn)有技術(shù)存在的行走模式識別結(jié)果滯后、缺乏有效的路況識別方法，人機不能協(xié)調(diào)運動的缺陷。本發(fā)明解決該技術(shù)問題所采用的技術(shù)方案是：大腿殘肢者的步態(tài)識別方法，是一種基于肌電信號的外骨骼行走模式識別方法，對大腿截肢患者五種典型步態(tài)：平地、上樓梯、下樓梯、上斜坡和下斜坡進行準確分類，具體步驟如下：第一步，采集大腿截肢受試者在不同步態(tài)下的多通道殘肢表面肌電信號，并對其進行預處理：選取單側(cè)大腿以下部位截肢，穿戴3年以上假肢，有安裝假肢經(jīng)驗并對假肢有很好的控制的患者，在24小時之內(nèi)未經(jīng)過劇烈運動無肌肉疲勞現(xiàn)象，體重45～80kg，殘肢腿圍比例在80％～95％的截肢者作為大腿截肢受試者，選取在不同行走模式下能起作用的皮膚表層的肌肉，將TrignoTMWireless肌電采集設(shè)備中的肌電智能傳感器貼放在上述選定的皮膚表層的肌肉位置，通過微調(diào)傳感器的位置和測量，確定該傳感器的準確貼放位置，根據(jù)上述殘肢肌肉的實際情況以及傳感器的大小為大腿截肢受試者定制可嵌入肌電采集設(shè)備的智能傳感器接受腔，搭建基于LabView的表面肌電信號的采集平臺，記錄大腿截肢受試者在平地、上樓梯、下樓梯、上斜坡和下斜坡五種不同步態(tài)下的多通道殘肢表面肌電信號，TrignoTMWireless肌電采集設(shè)備中自帶的采集與分析軟件系統(tǒng)將該設(shè)備采集到的多通道殘肢表面肌電信號輸入肌電信號傳感器，并對其進行預處理，實時顯示數(shù)據(jù)；第二步，對采集到的多通道殘肢表面肌電信號進行特征值提取，構(gòu)建相應(yīng)的特征向量：對第一步采集到的多通道殘肢表面肌電信號進行特征值提取，方法是利用Teager-KaiserEnergy算法來確定肌肉收縮的初始時刻，提取第一步采集到的步態(tài)初期前200ms的多通道殘肢表面肌電信號特征值，包括時域特征中的平均值、均方根和標準差，頻域特征的功率譜比值，再結(jié)合AR模型參數(shù)，最后將所有特征值使用偏最小二乘法進行融合構(gòu)建相應(yīng)的特征向量；第三步，用改進后有監(jiān)督Kohonen神經(jīng)網(wǎng)絡(luò)聚類算法對大腿殘肢者步態(tài)進行識別：將第二步得到的特征向量用最大最小距離法確定初始權(quán)值代替隨機初始權(quán)值，用改進后有監(jiān)督Kohonen神經(jīng)網(wǎng)絡(luò)聚類算法進行大腿殘肢者的步態(tài)識別，同時用無監(jiān)督的Kohonen神經(jīng)網(wǎng)絡(luò)算法以及K臨近算法也進行大腿殘肢者的步態(tài)識別，并且比較兩者得出的大腿殘肢者的步態(tài)識別結(jié)果，從而驗證改進后有監(jiān)督Kohonen神經(jīng)網(wǎng)絡(luò)對大腿殘肢者的步態(tài)識別的可行性以及有效性。上述大腿殘肢者的步態(tài)識別方法，其中特定術(shù)語對應(yīng)的英文縮寫(全稱)分別是：平均值-MEAN、均方根-RMS、標準差-STD、功率譜比值-PSC(Powerspectrumratio)、偏最小二乘法-GA-PLS(Geneticalgorithm－PartialLeastSquare)、K臨近算法-KNN。上述大腿殘肢者的步態(tài)識別方法，所述第二步中，利用Teager-KaiserEnergy(以下簡稱TKE)算法來確定肌肉收縮的初始時刻的具體算法如下：對于給定的輸入信號n，TKE算子Ψ被定義為：Ψ[x(n)]＝x2(n)-x(n-1)x(n+1)(1)其中，輸入信號n可以表示為：x(n)＝Acos[w0(n)+θ](2)其中，A為幅值，w0為角頻率，θ為初始相位，x(n+1)＝Acos[w0(n+1)+θ](3)x(n-1)＝Acos[w0(n-1)+θ](4)又由于，cos(α+β)cos(a-β)=12[cos(2α)+cos(2β)]---(5)]]>cos2α＝1-2sin2α＝2cos2α-1(6)其中，α為置信度閾值，由此可見，x(n-1)x(n+1)=A2cos[w0(n-1)+θ]cos[w0(n+1)+θ]=x2(n)-A2sin2(w0n)---(7)]]>所以，TKE算子被簡化為ψ[x(n)]≈A2sin2[w0(n)](8)公式(8)表明，TKE算子的輸出與輸入信號(n)也即離散信號(n)的瞬時幅值A(chǔ)及頻率w0有著非常密切的關(guān)系，首先，將TKE算子應(yīng)用到多通道殘肢表面肌電信號，然后，確定一個閾值，然后，確定一個閾值，對多通道殘肢表面肌電信號進行肌肉收縮的初始時刻判定，Th＝μ0+j*δ0(9)其中，μ0代表多通道殘肢表面肌電信號中背景噪聲的均值，δ0代表多通道殘肢表面肌電信號中背景噪聲的標準差，j代表閾值因子，Th代表閾值的大小，因此基于TKE算子的肌肉收縮的初始時刻確定的算法被描述為：x~(n)=x(n)-1NΣi=1Nx(i)ψ(n)=x~2(n)-x~(n+1)x~(n-1),n=1,2,3,...,M,...Nμ0=1MΣi=1Mψ(i)δ0={1M-1Σi=1M(ψ(i)-μ0)2}1/2Th=μ0+j*δ0s(n)=sign(ψ(n)-Th)t0=min(n|s(n)=1),n=1,2,3...,M,...N---(10)]]>其中，為表面肌電序列的去均值信號，為的TKE算子輸出信號，N為數(shù)據(jù)總長度，M為校準表面肌電信號的長度，s(n)為肌肉是否開始收縮的判別序列，t0為肌肉收縮起始時刻的估計，sign為標準符號函數(shù)；對臀大肌表面肌電信號的識別,將TKE算子應(yīng)用到多通道殘肢表面肌電信號從而來確定肌肉收縮的初始時刻，步驟如下：A.將需要確定肌肉收縮初始時刻的一段多通道殘肢表面肌電信號進行去均值處理；B.對去均值之后的進行TKE算子操作，得到相應(yīng)的TKE算子輸出；C.選取肌肉收縮之前背景噪聲的數(shù)據(jù)長度M即表面肌電信號長度M，并計算{ψ(n)}|n＝1,2,...M，然后計算多通道殘肢表面肌電信號中背景噪聲的均值μ0和多通道殘肢表面肌電信號中背景噪聲的標準差δ0，閾值因子j的取值決定閾值Th的大小，需要預先經(jīng)試探法確保背景噪聲最小，設(shè)定出j值然后由式9來計算閾值大小Th；D.將{ψ(n)}|n＝1,2,...M與閾值Th的大小進行比較，根據(jù)標準符號函數(shù)得到s(n)的值，并結(jié)合肌肉收縮的收縮率以及持續(xù)長度對肌肉收縮起始時刻進行判斷，若s(n)＝0，且有一定的持續(xù)性，則表示肌肉未收縮；若s(n)＝1，且持續(xù)一段時間，則表示肌肉開始收縮，得到的s(n)＝1所對應(yīng)采樣點中將不具有持續(xù)性的s(n)＝1的點處理為s(n)＝0，將不具有持續(xù)性的s(n)＝0的點處理為s(n)＝1，最后對s(n)求導來確定時間和肌肉收縮起始點，并計算對應(yīng)的t0從而判斷肌肉收縮的初始時刻。上述大腿殘肢者的步態(tài)識別方法，所述第二步中，提取第一步采集到的步態(tài)初期前200ms的多通道殘肢表面肌電信號特征值，包括時域特征中的平均值、均方根和標準差，頻域特征的功率譜比值，上述各特征值具體計算方法如下：平均值：x‾=1NΣi=1Nxi---(11),]]>均方值：rms=1nΣi=1nx2(i)---(12),]]>標準差：std=1N-1Σi=1N(xi-x‾)2---(13),]]>功率譜比值：Q=P0P=∫f0-αf0+αP(f)df∫-∞∞P(f)df---(14),]]>其中，Q表示表面肌電信號功率譜比值；P(f)表示的是功率譜密度函數(shù)；f0表示的是最大功率譜處的頻率，其中f0可以通過方程dP(f)/df＝0來求解，若產(chǎn)生多個解則取P(f)為最大值時的f0；α表示的積分范圍，經(jīng)過不斷嘗試，當α＝15HZ時，特征值有較高的區(qū)分度。上述大腿殘肢者的步態(tài)識別方法，所述第三步中，將第二步得到的特征向量用最大最小距離法確定初始權(quán)值的具體方法如下：A.有N個對象，Sn＝{z1z2…zn}；B.在輸入層神經(jīng)元任取一個對象Z1，作為第一個類的中心，從集合Sn中找到距離Z2最大的對象作為Z2；C.對Sn中剩余對象Z1，分別計算Z1到Zi的距離Dij，令最小的為Dj；D.maxSn{DZi},若maxSn{Dzi}>m,則取Zi為新的聚類中心，一般E.重復處理直到找不到符合條件新的聚類中心。上述大腿殘肢者的步態(tài)識別方法，所述第三步中，改進后有監(jiān)督Kohonen神經(jīng)網(wǎng)絡(luò)聚類算法的流程如下：開始；下一步隨機選取訓練特征向量和測試特征向量；下一步初始化改進后有監(jiān)督Kohonen神經(jīng)網(wǎng)絡(luò)；下一步用訓練特征向量訓練改進后有監(jiān)督Kohonen神經(jīng)網(wǎng)絡(luò)；下一步判斷是否訓練結(jié)束？答案否，則返回用訓練特征向量訓練改進后有監(jiān)督Kohonen神經(jīng)網(wǎng)絡(luò)；答案是，則用訓練好的改進后有監(jiān)督Kohonen神經(jīng)網(wǎng)絡(luò)對測試樣本進行分類；下一步輸出識別結(jié)果；下一步結(jié)束。上述大腿殘肢者的步態(tài)識別方法，其中所涉及的設(shè)備及其使用方法是本領(lǐng)域技術(shù)人員所能夠掌握的；所述偏最小二乘法和K臨近算法是本
技術(shù)領(lǐng)域：
公知的。本發(fā)明的有益效果是：與現(xiàn)有技術(shù)相比，本發(fā)明的突出的實質(zhì)性特點和顯著進步如下：(1)本發(fā)明方法以肌電信號作為信號源，更直接地反映了人體的運動意圖。(2)本發(fā)明方法對臀大肌表面肌電信號的識別，根據(jù)臀大肌的肌電信號確定特征提取初始時刻，對于日常生活中常見的平地、上樓梯、下樓梯、上斜坡和下斜坡五種不同步態(tài)行走模式進行識別，減少了不同種類傳感器的使用。(3)本發(fā)明方法提取時域特征中的平均值、均方根和標準差，頻域特征的功率譜比值，計算簡單，構(gòu)建特征向量，最后采用基于TKE算法進行識別，提高了對平地、上樓梯、下樓梯、上斜坡和下斜坡五種不同步態(tài)的分類精度。(4)本發(fā)明方法可靠實用，識別用時短精度高，為患者的步態(tài)行走的實時性和安全性提供了保證。附圖說明下面結(jié)合附圖和實施例對本發(fā)明進一步說明。圖1為本發(fā)明方法的流程示意圖。圖2為本發(fā)明方法的改進后有監(jiān)督Kohonen神經(jīng)網(wǎng)絡(luò)聚類算法的流程示意圖。圖3為三種算法對時域特征值、頻域特征值、AR模型參數(shù)和特征融合的平均識別率對比圖。具體實施方式圖1所示實施例表明，本發(fā)明方法的流程是：開始；下一步采集大腿截肢受試者在不同步態(tài)下的多通道殘肢表面肌電信號，并對其進行預處理；下一步對采集到的多通道殘肢表面肌電信號進行特征值提取，構(gòu)建相應(yīng)的特征向量；下一步用改進后有監(jiān)督Kohonen神經(jīng)網(wǎng)絡(luò)聚類算法對大腿殘肢者步態(tài)進行識別。圖2所示實施例表明，本發(fā)明方法用改進后有監(jiān)督Kohonen神經(jīng)網(wǎng)絡(luò)的算法流程是：開始；下一步隨機選取訓練特征向量和測試特征向量；下一步初始化有監(jiān)督Kohonen；下一步用訓練特征向量訓練有監(jiān)督Kohonen；下一步判斷是否訓練結(jié)束？答案否，則返回用訓練特征向量訓練有監(jiān)督Kohonen；答案是，則用訓練好的有監(jiān)督Kohonen對測試樣本進行分類；下一步輸出識別結(jié)果；下一步結(jié)束。圖中的有監(jiān)督Kohonen為改進后有監(jiān)督Kohonen神經(jīng)網(wǎng)絡(luò)的縮寫。圖3所示實施例顯示了有監(jiān)督Kohonen算法即改進后有監(jiān)督Kohonen神經(jīng)網(wǎng)絡(luò)的算法、Kohonen算法即無監(jiān)督Kohonen神經(jīng)網(wǎng)絡(luò)算法和KNN算法即K臨近算法三種算法對時域特征值、頻域特征值、AR模型參數(shù)和特征融合的平均識別率對比，由三種不同的算法對穿戴假肢的大腿截肢受試者的步態(tài)識別率對比可知，有監(jiān)督Kohonen算法對步態(tài)的識別效果最好。對于時域、頻域、AR模型參數(shù)和特征融合任意一種特征向量，有監(jiān)督Kohonen算法識別均高于其他兩種算法，從而驗證了將有監(jiān)督Kohonen算法應(yīng)用到步態(tài)識別上的可行性。同時可以看出，將無監(jiān)督Kohonen神經(jīng)網(wǎng)絡(luò)改進為有監(jiān)督Kohonen神經(jīng)網(wǎng)絡(luò)其識別效果有明顯提高。圖3圖面右方中的S_Kohonen為有監(jiān)督Kohonen算法即改進后有監(jiān)督Kohonen神經(jīng)網(wǎng)絡(luò)的算法，Kohonen為Kohonen算法即無監(jiān)督Kohonen神經(jīng)網(wǎng)絡(luò)算法，KNN為KNN算法即K臨近算法。實施例本實施例的大腿殘肢者的步態(tài)識別方法，針對樓梯共10個臺階，一階樓梯高度為15cm，斜坡角度為10°的路況條件進行行走模式識別，平地實驗在寬闊的室外走廊里進行。具體步驟如下：第一步，采集大腿截肢受試者在不同步態(tài)下的多通道殘肢表面肌電信號，并對其進行預處理：選取單側(cè)大腿以下部位截肢，穿戴3年以上假肢，有安裝假肢經(jīng)驗并對假肢有很好的控制的，在24小時之內(nèi)未經(jīng)過劇烈運動無肌肉疲勞現(xiàn)象，體重45～80kg，殘肢腿圍比例在80％～95％之間的15位患者男性12名和女性3名截肢者作為大腿截肢受試者，分別選取這些大腿截肢受試者在不同行走模式下能起作用的皮膚表層的肌肉，肌電電極分布與連接時，首先去除皮膚上的油脂和污物，并用酒精擦拭，將附有不干涸導電凝膠的一次性使用三點式差動輸入肌電電極按照肌肉纖維走向，順貼在肌腹處，這樣可以減小對其測量精度的影響。將Delsys公司的TrignoTMWireless肌電采集設(shè)備中的肌電智能傳感器貼放在上述選定的皮膚表層的肌肉位置，肌電信號采集設(shè)備中智能傳感器的采樣頻率選擇設(shè)置為2000HZ到4000HZ，通過微調(diào)傳感器的位置和測量，確定該傳感器的準確貼放位置，根據(jù)上述殘肢肌肉的實際情況以及傳感器的大小為大腿截肢受試者定制可嵌入肌電采集設(shè)備的智能傳感器接受腔，搭建基于LabView的表面肌電信號的采集平臺，記錄大腿截肢受試者在平地、上樓梯、下樓梯、上斜坡和下斜坡五種不同步態(tài)下的多通道殘肢表面肌電信號，TrignoTMWireless肌電采集設(shè)備中自帶的采集與分析軟件系統(tǒng)將該設(shè)備采集到的多通道殘肢表面肌電信號輸入肌電信號傳感器，并對其進行預處理，實時顯示數(shù)據(jù)；第二步，對采集到的多通道殘肢表面肌電信號進行特征值提取，構(gòu)建相應(yīng)的特征向量：對第一步采集到的多通道殘肢表面肌電信號進行特征值提取，方法是，利用Teager-KaiserEnergy算法來確定肌肉收縮的初始時刻，提取第一步采集到的步態(tài)初期前200ms的多通道殘肢表面肌電信號特征值，包括時域特征中的平均值、均方根和標準差，頻域特征的功率譜比值，再結(jié)合AR模型參數(shù)，最后將所有特征值使用偏最小二乘法進行融合構(gòu)建相應(yīng)的特征向量；其中，利用Teager-KaiserEnergy(簡稱TKE)算法來確定肌肉收縮的初始時刻的具體算法如下：對于給定的輸入信號n，TKE算子Ψ被定義為：Ψ[x(n)]＝x2(n)-x(n-1)x(n+1)(1)其中，輸入信號n可以表示為：x(n)＝Acos[w0(n)+θ](2)其中，A為幅值，w0為角頻率，θ為初始相位，x(n+1)＝Acos[w0(n+1)+θ](3)x(n-1)＝Acos[w0(n-1)+θ](4)又由于，cos(α+β)cos(a-β)=12[cos(2α)+cos(2β)]---(5)]]>cos2α＝1-2sin2α＝2cos2α-1(6)其中，α為置信度閾值，置信度閾值α的選取受不同個體影響較大，因人而異，本實施例通過對大腿截肢受試者的數(shù)據(jù)進行多次實驗確定置信度閾值α＝0.65，由此可見，x(n-1)x(n+1)＝A2cos[w0(n-1)+θ]cos[w0(n+1)+θ]＝x2(n)-A2sin2(w0n)(7)所以，TKE算子被簡化為ψ[x(n)]≈A2sin2[w0(n)](8)公式(8)表明，TKE算子的輸出與輸入信號(n)也即離散信號(n)的瞬時幅值A(chǔ)及頻率w0有著非常密切的關(guān)系，眾所周知，當肌肉開始收縮時，通常伴隨著信號幅值和頻率的瞬時增加，因此，利用TKE算子對多通道殘肢表面肌電信號進行預處理可以用來確定肌肉收縮的初始時刻，在此理論基礎(chǔ)之上，通過檢測多通道殘肢表面肌電信號幅值和頻率的瞬時變化，利用TKE算子對肌肉收縮的初始時刻進行確定，首先，將TKE算子應(yīng)用到多通道殘肢表面肌電信號，然后，確定一個閾值，對多通道殘肢表面肌電信號進行肌肉收縮的初始時刻判定，Th＝μ0+j*δ0(9)其中，μ0代表多通道殘肢表面肌電信號中背景噪聲的均值，δ0代表多通道殘肢表面肌電信號中背景噪聲的標準差，j代表閾值因子，Th代表閾值的大小，因此基于TKE算子的肌肉收縮的初始時刻確定的算法被描述為：x~(n)=x(n)-1NΣi=1Nx(i)ψ(n)=x~2(n)-x~(n+1)x~(n-1),n=1,2,3,...,M,...Nμ0=1MΣi=1Mψ(i)δ0={1M-1Σi=1M(ψ(i)-μ0)2}1/2Th=μ0+j*δ0s(n)=sign(ψ(n)-Th)t0=min(n|s(n)=1),n=1,2,3...,M,...N---(10)]]>其中，為表面肌電序列的去均值信號，為的TKE算子輸出信號，N為肌電信號數(shù)據(jù)總長度，本實施中N值確定為3000，M為校準表面肌電信號的長度，也是肌肉收縮之前信號背景噪音的長度，本實施中M值確定為700，s(n)為肌肉是否開始收縮的判別序列，t0為肌肉收縮起始時刻的估計，sign為標準符號函數(shù)；對臀大肌表面肌電信號的識別,將TKE算子應(yīng)用到多通道殘肢表面肌電信號從而來確定肌肉收縮的初始時刻，步驟如下：A.將需要確定肌肉收縮初始時刻的一段多通道殘肢表面肌電信號進行去均值處理；B.對去均值之后的進行TKE算子操作，得到相應(yīng)的TKE算子輸出；C.選取肌肉收縮之前背景噪聲的數(shù)據(jù)長度M即表面肌電信號長度M，并計算{ψ(n)}|n＝1,2,...M，然后計算多通道殘肢表面肌電信號中背景噪聲的均值μ0和多通道殘肢表面肌電信號中背景噪聲的標準差δ0，閾值因子j的取值決定閾值Th的大小，需要預先經(jīng)試探法確保背景噪聲最小，設(shè)定出j值然后由式9來計算閾值大小Th；D.將{ψ(n)}|n＝1,2,...M與閾值Th的大小進行比較，根據(jù)標準符號函數(shù)得到s(n)的值，并結(jié)合肌肉收縮的收縮率以及持續(xù)長度對肌肉收縮起始時刻進行判斷，若s(n)＝0，且有一定的持續(xù)性，則表示肌肉未收縮；若s(n)＝1，且持續(xù)一段時間，則表示肌肉開始收縮，得到的s(n)＝1所對應(yīng)采樣點中將不具有持續(xù)性的s(n)＝1的點處理為s(n)＝0，將不具有持續(xù)性的s(n)＝0的點處理為s(n)＝1，最后對s(n)求導來確定時間和肌肉收縮起始點，并計算對應(yīng)的t0從而判斷肌肉收縮的初始時刻。其中，提取第一步采集到的步態(tài)初期前200ms的多通道殘肢表面肌電信號特征值，包括時域特征中的平均值、均方根和標準差，頻域特征的功率譜比值，上述各特征值具體計算方法如下：平均值：x‾=1NΣi=1Nxi---(11),]]>均方值：rms=1nΣi=1nx2(i)---(12),]]>標準差：std=1N-1Σi=1N(xi-x‾)2---(13),]]>功率譜比值：Q=P0P=∫f0-αf0+αP(f)df∫-∞∞P(f)df---(14),]]>其中，Q表示表面肌電信號功率譜比值；P(f)表示的是功率譜密度函數(shù)；f0表示的是最大功率譜處的頻率，其中f0可以通過方程dP(f)/df＝0來求解，若產(chǎn)生多個解則取P(f)為最大值時的f0；α表示的積分范圍，經(jīng)過不斷嘗試，當α＝15HZ時，特征值有較高的區(qū)分度。第三步，用改進后有監(jiān)督Kohonen神經(jīng)網(wǎng)絡(luò)聚類算法對大腿殘肢者步態(tài)進行識別：將第二步得到的特征向量用最大最小距離法確定初始權(quán)值代替隨機初始權(quán)值，用改進后有監(jiān)督Kohonen神經(jīng)網(wǎng)絡(luò)聚類算法進行大腿殘肢者的步態(tài)識別，同時用無監(jiān)督的Kohonen神經(jīng)網(wǎng)絡(luò)算法以及K臨近算法也進行大腿殘肢者的步態(tài)識別，并且比較兩者得出的大腿殘肢者的步態(tài)識別結(jié)果，從而驗證改進后有監(jiān)督Kohonen神經(jīng)網(wǎng)絡(luò)對大腿殘肢者的步態(tài)識別的可行性以及有效性。其中，將第二步得到的特征向量用最大最小距離法確定初始權(quán)值的具體方法如下：A.有N個對象，Sn＝{z1z2…zn}；B.在輸入層神經(jīng)元任取一個對象Z1，作為第一個類的中心，從集合Sn中找到距離Z2最大的對象作為Z2；C.對Sn中剩余對象Z1，分別計算Z1到Zi的距離Dij，令最小的為Dj；D.maxSn{DZi},若maxSn{Dzi}>m,則取Zi為新的聚類中心，一般E.重復處理直到找不到符合條件新的聚類中心。其中，改進后有監(jiān)督Kohonen神經(jīng)網(wǎng)絡(luò)聚類算法的流程如下：開始；下一步隨機選取平地、上樓梯、下樓梯、上斜坡和下斜坡五種不同步態(tài)中的各種步態(tài)模式的訓練特征向量各100組和50組作為測試特征向量，50組作為訓練特征向量；下一步初始化改進后有監(jiān)督Kohonen神經(jīng)網(wǎng)絡(luò)；下一步用訓練特征向量訓練改進后有監(jiān)督Kohonen神經(jīng)網(wǎng)絡(luò)；下一步判斷是否訓練結(jié)束？，否，則返回用訓練特征向量訓練改進后有監(jiān)督Kohonen神經(jīng)網(wǎng)絡(luò)；是，則用訓練好的改進后有監(jiān)督Kohonen神經(jīng)網(wǎng)絡(luò)對測試樣本進行分類；下一步輸出識別結(jié)果；下一步結(jié)束。上述實施例中所涉及的設(shè)備及其使用方法是本領(lǐng)域技術(shù)人員所能夠掌握的；所述偏最小二乘法和K臨近算法是本
技術(shù)領(lǐng)域：
公知的。本實施例中，佩戴假肢的大腿截肢受試者的五種步態(tài)識別的平均準確率達到84.0％，對平地行走的識別率達到了96％。盡管大腿截肢者本身的肌肉殘缺會導致信息不完整，但是每種步態(tài)在只考慮時域特征值的基礎(chǔ)上識別率均達到84％以上。結(jié)果表明，改進后有監(jiān)督Kohonen神經(jīng)網(wǎng)絡(luò)聚類算法對時域內(nèi)特征向量的步態(tài)識別是有效的。當前第1頁1 2 3