运动模态识别方法、装置、电子设备及存储介质

1.本发明涉及穿戴式机器人技术领域，尤其涉及一种运动模态识别方法、装置、电子设备及存储介质。


背景技术：

2.穿戴式机器人一般情况下指机器人本体系统穿戴在人体，并对人体运动施加影响的机器人。下肢穿戴式机器人控制主要的功能是实现在不同运动模态下，为穿戴者提供相应的助力。人体运动意图识别的关键流程包括，信号采集和算法构建，即将人体运动信号进行提取后，通过算法转换为相应的运动模态信息。
3.目前，人体运动意图识别模型需要依赖很多的传感器，才能够完成对人体运动意图的识别，导致成本很高，并且由于较多的传感器会使得识别算法逻辑复杂，会导致算法的运算效率较低，并且导致算法出错的概率增大，进而导致识别准确率降低，影响用户体验。


技术实现要素：

4.本发明提供一种运动模态识别方法、装置、电子设备及存储介质，用以解决现有技术中在模态识别时使用较多的传感器导致效率和识别准确率低的缺陷。
5.本发明提供一种运动模态识别方法，包括：
6.基于第一惯性传感器在预设时长内检测到的惯性数据，确定所述预设时长内对应的大腿倾角序列，所述第一惯性传感器设置在被测人员的大腿处；
7.基于所述大腿倾角序列的离散参数，确定所述被测人员的粗分模态；
8.在所述粗分模态为运动模态的情况下，基于足底压力传感器在所述预设时长内检测到的压力数据序列，划分所述预设时长的步态阶段；
9.基于所述大腿倾角序列和所述压力数据序列，确定所述步态阶段的瞬态特征，并应用所述步态阶段的瞬态特征对应的分类器，对所述步态阶段的瞬态特征进行运动模态识别。
10.根据本发明提供的一种运动模态识别方法，所述基于足底压力传感器在所述预设时长内检测到的压力数据序列，划分所述预设时长的步态阶段，包括：
11.将所述压力数据序列中的各压力数据依次和预设压力阈值进行对比，得到所述各压力数据的对比结果；
12.基于所述压力数据序列中对比结果不同的相邻两压力数据，划分所述预设时长内的步态阶段；所述步态阶段的类别包括摆动阶段和落地阶段，其中，所述摆动阶段为所述步态阶段中的各压力数据均小于或等于所述预设压力阈值，所述落地阶段为所述步态阶段中的各压力数据均大于所述预设压力阈值。
13.根据本发明提供的一种运动模态识别方法，所述瞬态特征包括：最大前摆幅时刻、落地时刻、最大后摆幅时刻和单脚全着地时刻；
14.所述基于所述大腿倾角序列和所述压力数据序列，确定所述步态阶段的瞬态特
征，包括：
15.若所述步态阶段为摆动阶段，则基于所述大腿倾角序列，确定所述最大前摆幅时刻，并基于所述压力数据序列，确定所述落地时刻；
16.若所述步态阶段为落地阶段，则基于所述大腿倾角序列，确定所述最大后摆幅时刻，并基于所述压力数据序列，确定所述单脚全着地时刻。
17.根据本发明提供的一种运动模态识别方法，所述应用所述步态阶段的瞬态特征对应的分类器，对所述步态阶段的瞬态特征进行运动模态识别，包括：
18.若所述步态阶段的瞬态特征为所述单脚全着地时刻，则应用第二惯性传感器，确定足部倾角，并基于所述足部倾角和预设足部倾角阈值，应用所述单脚全着地时刻对应的分类器，进行运动模态识别；所述第二惯性传感器设置在被测人员的脚面处；
19.否则，应用所述步态阶段的瞬态特征对应的分类器，对所述步态阶段的瞬态特征进行运动模态识别。
20.根据本发明提供的一种运动模态识别方法，还包括：
21.在所述粗分模态为静态模态的情况下，则应用所述大腿倾角序列的倾角均值和预设静态分类阈值，确定静态模态识别结果。
22.根据本发明提供的一种运动模态识别方法，所述基于所述步态阶段对应的分类器，对所述步态阶段的瞬态特征进行运动模态识别之后，还包括：
23.基于历史步态数据中的运动模态类别标签，对所述历史步态数据进行分割，得到步态周期；所述历史步态数据包括所述第一惯性传感器检测到的大腿倾角和所述足底压力传感器检测到的压力数据；
24.基于所述步态周期和步态模板，确定所述步态周期对应的运动模态类别；所述步态模板包括平地模板、上楼模板和下楼模板；
25.基于所述步态周期中的瞬态特征，以及所述步态周期对应的运动模态类别，确定并更新所述瞬态特征对应分类器的参数。
26.根据本发明提供的一种运动模态识别方法，所述基于所述步态周期和步态模板，确定所述步态周期对应的运动模态类别，包括：
27.将所述步态周期中任一步态周期和所述步态模板中的各步态模板分别进行相似度计算，得到所述任一步态周期与所述各步态模板的相似度得分，并基于所述任一步态周期与所述各步态模板的相似度得分，确定所述任一步态周期对应的运动模态类别。
28.根据本发明提供的一种运动模态识别方法，所述基于所述任一步态周期与所述各步态模板的相似度得分，确定所述任一步态周期对应的运动模态类别之后，还包括：
29.基于所述任一步态周期与所述各步态模板的相似度得分，确定所述任一步态周期对应的步态模板；若所述任一步态周期与所述任一步态周期对应的步态模板的相似度得分大于预设相似度阈值，则应用所述任一步态周期更新所述任一步态周期对应的步态模板。
30.本发明还提供一种运动模态识别装置，包括：
31.倾角确定模块，用于基于第一惯性传感器在预设时长内检测到的惯性数据，确定所述预设时长内对应的大腿倾角序列，所述第一惯性传感器设置在被测人员的大腿处；
32.粗分模块，用于基于所述大腿倾角序列的离散参数，确定所述被测人员的粗分模态；
33.步态划分模块，用于在所述粗分模态为运动模态的情况下，基于足底压力传感器在所述预设时长内检测到的压力数据序列，划分所述预设时长的步态阶段；
34.模态识别模块，从所述大腿倾角序列中确定所述步态阶段的瞬态特征，基于所述步态阶段的瞬态特征对应的分类器，确定运动模态识别结果。
35.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述运动模态识别方法。
36.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述运动模态识别方法。
37.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述运动模态识别方法。
38.本发明提供的运动模态识别方法、装置、电子设备及存储介质，通过足底压力传感器划分步态阶段，第一惯性传感器和足底压力传感器检测每个步态阶段的瞬态特征，并根据每个步态阶段的瞬态特征对应的分类器，进行运动模态识别，实现了依赖少量传感器的数据，降低了识别算法的逻辑复杂度，提高了运算效率，并分两步进行运动模态识别，在进一步减少逻辑复杂度的同时，提高了运动模态识别的准确度，进而提高了用户体验。
附图说明
39.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
40.图1是本发明提供的运动模态识别方法的流程示意图；
41.图2是本发明提供的步态阶段划分方法的流程示意图；
42.图3是本发明提供一种瞬态特征对应分类器参数更新方法的流程示意图；
43.图4是本发明提供的瞬态特征对应的分类器参数的获取方法的流程示意图；
44.图5是本发明提供的运动模态识别装置的结构示意图；
45.图6是本发明提供的电子设备的结构示意图。
具体实施方式
46.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
47.目前，人体运动意图识别模型需要依赖很多的传感器，以帮助进行意图识别，会导致穿戴式机器人的成本很高，并且由于人体运动意图识别模型需要依赖很多的传感器提供的输入参数，即该识别模型的输入参数的数量很多，导致人体运动意图识别模型的网络性能较差，并且由于需要很多的传感器提供的数据，会使得识别算法的逻辑复杂，增加识别算法出错的概率，进而导致识别准确率降低，影响用户体验。
48.因此，如何以少量传感器进行运动模态识别以提高效率和识别的准确度是本领域亟待解决的技术问题。
49.针对以上技术问题，本发明实施例提供了一种运动模态识别方法。图1是本发明提供的运动模态识别方法的流程示意图。如图1所示，包括：
50.步骤110，基于第一惯性传感器在预设时长内检测到的惯性数据，确定预设时长内对应的大腿倾角序列，第一惯性传感器设置在被测人员的大腿处；
51.考虑到人体在走路时，平地行走、上楼梯和下楼梯大腿的摆动幅度是不相同的，例如，上楼梯时大腿的最大向前摆幅会大于平地行走时大腿的最大向前摆幅，下楼梯时大腿的最大向后摆幅会小于平地行走时大腿的最大向后摆幅，同时，考虑到人体在静态坐下和站立状态，大腿与地面的角度也是不同的。因此，本发明实施例在被测人员的大腿处设置一个惯性传感器，以为后续模态识别提供大腿倾角数据。
52.具体地，在被测人员大腿处设置一个第一惯性传感器，以滑动窗的方式获取当前时刻的前预设时长内检测到的惯性数据，并通过检测到的惯性数据中的加速度和角速度，计算得到预设时长内对应的大腿倾角序列。
53.步骤120，基于大腿倾角序列的离散参数，确定被测人员的粗分模态；
54.考虑到人体在运动和静止时大腿的惯性数据会有很大的差异性，即人体在静止时惯性传感器的惯性数据变动会很小，而在运动时惯性传感器的惯性数据变动会很大，可见，后续进行静止和运动的模态识别的处理方式会完全不同，因此，本发明实施例使用大腿倾角序列的离散参数，来确定被测人员是静止的还是运动的，可以简化后续模态识别的逻辑以及提高后续模态识别的准确度。
55.具体地，根据大腿倾角序列中各倾角计算大腿倾角序列的方差，得到大腿倾角序列的离散参数，当离散参数小于预设阈值时，则认为粗分模态为静止模态，反之为运动模态。
56.步骤130，在粗分模态为运动模态的情况下，基于足底压力传感器在预设时长内检测到的压力数据序列，划分预设时长的步态阶段；
57.步骤140，基于大腿倾角序列和压力数据序列确定的步态阶段的瞬态特征，应用步态阶段的瞬态特征对应的分类器，进行运动模态识别。
58.考虑到人体在走动时，上楼梯时大腿的最大向前摆幅会大于平地行走时大腿的最大向前摆幅，下楼梯时大腿的最大向后摆幅会小于平地行走时大腿的最大向后摆幅，则可以根据摆动阶段的大腿最大前摆幅时刻的倾角判断是平地模态还是上楼梯模态，可以根据落地阶段的大腿最大后摆幅时刻的倾角判断是平地模态还是下楼梯模态，并且上下坡模态可以根据落地阶段足部完全落地时刻的脚面倾角来进行判断，因此，可以根据以上不同步态阶段的瞬态特征进行运动模态识别。
59.具体地，当步骤120得到的粗分模态为运动模态时，可以根据足底压力传感器在预设时长内检测到的压力数据序列，划分得到预设时长内的步态阶段，并依据大腿倾角序列中的各倾角确定步态阶段的瞬态特征，然后根据步态阶段的瞬态特征对应的分类器，进行运动模态识别，得到运动模态识别结果。其中，瞬态特征表示步态阶段中的能够区分不同运动模态的时刻，可以为最大前摆幅时刻、落地时刻、最大后摆幅时刻或单脚全着地时刻，本发明实施例对此不作限制。
60.需要说明的是，本发明实施例会在同一时刻获取并缓存当前时刻第一惯性传感器的惯性数据和足底压力传感器的压力数据，即序列索引位置相同的大腿倾角序列中的倾角和压力数据序列中的压力数据在时间上是一一对应的。其中，足底压力传感器可以有多个，此时，压力数据是多个足底压力传感器的压力值的和，本发明实施例对此不作限制。
61.此外，通过压力数据序列划分得到预设时长内的步态阶段可以为一个或多个步态阶段，当预设时长内有多个步态阶段时，会应用大腿倾角序列中与各步态阶段相同序列索引位置分段的子倾角序列，得到各步态阶段的瞬态特征，本发明实施例对此不作限制。瞬态特征对应的分类器表示不同的瞬态特征对应不同的分类器，例如：瞬态特征为最大前摆幅时刻时，最大前摆幅时刻对应的分类器用于根据对最大前摆幅时刻的大腿倾角进行模态识别，判断属于上楼梯模态还是平地模态，瞬态特征为落地时刻时，落地时刻对应的分类器用于根据最大前摆幅时刻的大腿倾角与落地时刻的大腿倾角的差值进行模式识别，判断属于下楼梯模态还是平地模态，以及瞬态特征为最大后摆幅时刻时，最大后摆幅时刻对应的分类器用于根据对最大后摆幅时刻的大腿倾角进行模态识别，判断属于下楼梯模态还是平地模态，本发明实施例对此不作限制。
62.本发明实施例提供的运动模态识别方法，通过足底压力传感器划分步态阶段，第一惯性传感器和足底压力传感器检测每个步态阶段的瞬态特征，并根据每个步态阶段的瞬态特征对应的分类器，进行运动模态识别，实现了依赖少量传感器的数据，降低了识别算法的逻辑复杂度，提高了运算效率，并分两步进行运动模态识别，在进一步减少逻辑复杂度的同时，提高了运动模态识别的准确度，进而提高了用户体验。
63.基于上述实施例，图2是本发明提供的步态阶段划分方法的流程示意图。如图2所示步骤130包括：
64.步骤131，将压力数据序列中的各压力数据依次和预设压力阈值进行对比，得到各压力数据的对比结果；
65.步骤132，基于压力数据序列中对比结果不同的相邻两压力数据，划分预设时长的步态阶段；步态阶段的类别包括摆动阶段和落地阶段，其中，摆动阶段为步态阶段中的各压力数据均小于或等于预设压力阈值，落地阶段为步态阶段中的各压力数据均大于预设压力阈值。
66.考虑到在摆动阶段足底是悬空的，不与地面接触，此时足底压力传感器的压力数据的值很小，同时考虑到预设时长内的步态阶段为摆动阶段和落地阶段是交替出现的。因此，本发明实施例通过预设压力阈值和压力数据序列中的各压力数据进行对比，来划分预设时长的步态阶段。
67.具体地，将压力数据序列中序列索引位置0作为起始点依次将各压力数据和预设压力阈值进行对比，得到各压力数据的对比结果；在得到各压力数据的对比结果之后，将压力数据序列中相邻两个压力数据的对比结果进行对比，依据对比结果不同的相邻两个压力数据，划分预设时长的步态阶段。其中，步态阶段中的各压力数据均小于或等于预设压力阈值则步态阶段为摆动阶段，否则为落地阶段。
68.需要说明的是，对比结果不同的相邻两个压力数据表示，压力数据序列中序列索引位置相邻两个压力数据的对比结果为：一个压力数据大于预设压力阈值，另一个压力数据小于或等于预设压力阈值。并将对比结果不同的相邻两个压力数据作为划分点，划分得
到预设时长的步态阶段，例如：压力数据序列中有100条压力数据，索引从0开始，即索引值区间为[0，99]，此时索引位置0的压力数据小于或等于预设压力阈值，索引位置19的压力数据小于或等于预设压力阈值，索引位置20的压力数据大于预设压力阈值，索引位置39的压力数据大于预设压力阈值，索引位置40的压力数据小于或等于预设压力阈值，索引位置61的压力数据小于或等于预设压力阈值，索引位置62的压力数据大于预设压力阈值，索引位置79的压力数据大于预设压力阈值，索引位置80的压力数据小于或等于预设压力阈值，索引位置99的压力数据小于或等于预设压力阈值，则划分点为索引位置19和索引位置20的两个压力数据、索引位置39和索引位置40的两个压力数据，索引位置61和索引位置62的两个压力数据，以及索引位置79和索引位置80的两个压力数据，并且预设时长的步态阶段：索引位置0到19为摆动阶段，索引位置20到39为落地阶段，索引位置40到61为摆动阶段，索引位置62到79为落地阶段，索引位置80到99为摆动阶段。
[0069]
基于上述实施例。本发明还提供一优选实施例，在本事实例中，设置四个足底压力传感器，将四个足底压力传感器的足底压力数据的数值求和，当足底压力求和数值(模数转换器绝对数据，范围是0-4096)大于10时为落地阶段，否则为摆动阶段。
[0070]
基于上述实施例，步骤140中的瞬时特征包括：最大前摆幅时刻、落地时刻、最大后摆幅时刻和单脚全着地时刻；
[0071]
步骤140中基于大腿倾角序列和压力数据序列，确定步态阶段的瞬态特征，包括：
[0072]
若步态阶段为摆动阶段，则基于大腿倾角序列，确定最大前摆幅时刻，并基于压力数据序列，确定落地时刻；
[0073]
若步态阶段为落地阶段，则基于大腿倾角序列，确定最大后摆幅时刻，并基于压力数据序列，确定单脚全着地时刻。
[0074]
具体地，当步态阶段为摆动阶段时，根据大腿倾角序列中与步态阶段对应的倾角子序列中向前的倾角数据中倾角绝对值最大的时刻为最大前摆幅时刻，根据压力数据序列中与步态阶段对应的压力数据子序列中索引位置最大的时刻为落地时刻；
[0075]
当步态阶段为落地阶段时，根据大腿倾角序列中与步态阶段对应的倾角子序列中向后的倾角数据中倾角绝对值最大的时刻为最大后摆幅时刻，根据压力数据序列中与步态阶段对应的压力数据子序列中压力数据最大的时刻为单脚全着地时刻。
[0076]
需要说明的是，向前的倾角数据和向后的倾角数据可以通过正负号来区分，例如：向前的倾角数据为正，则向后的倾角数据为负，反之，向前的倾角数据为负，则向后的倾角数据为正，本发明实施例对此不作限制。
[0077]
基于上述实施例，步骤140中的应用步态阶段的瞬态特征对应的分类器，对步态阶段的瞬态特征进行运动模态识别，包括：
[0078]
若步态阶段的瞬态特征为单脚全着地时刻，则应用第二惯性传感器，确定足部倾角，并基于足部倾角和预设足部倾角阈值，应用单脚全着地时刻对应的分类器，进行运动模态识别；第二惯性传感器设置在被测人员的脚面处；
[0079]
否则，应用步态阶段的瞬态特征对应的分类器，对步态阶段的瞬态特征进行运动模态识别。
[0080]
具体地，若步态阶段的瞬态特征为单脚全着地时刻，则提取了第二惯性传感器信号，首先将测得的平地行走或静止站立时的第二惯性传感器获得的角度记为θ
f，w
，当前特征
时刻第二惯性传感器的角度为θf。根据先验数据设定了预设足部倾角阈值θ
f，r
，当θ
f-θ
f，w
＜θ
f，r
时为上斜坡，当θ
f-θ
f，w
＞θ
f，r
时为下斜坡。本发明还提供一优选实施例，将预设足部倾角阈值θ
f，r
设定为12
°
。
[0081]
若步态阶段的瞬态特征为最大前摆幅时刻，则根据最大前摆幅时刻的大腿倾角，应用最大前摆幅时刻对应的分类器，进行运动模态识别；若步态阶段的瞬态特征为落地时刻，则根据的大腿倾角与最大摆幅时刻的大腿倾角差值，应用落地时刻对应的分类器，进行运动模态识别；若步态阶段的瞬态特征为最大后摆幅时刻，则根据最大后摆幅时刻的大腿倾角，应用最大后摆幅时刻对应的分类器，进行运动模态识别。最大前摆幅时刻对应的分类器、落地时刻对应的分类器和最大后摆幅时刻对应的分类器使用同一公式进行分类，公式如下：
[0082][0083]
式中，i为瞬态特征类别，取值为1和2，当瞬态特征为最大前摆幅时刻时，i等于1时表示平地模态，i等于2时表示上楼梯模态，若瞬态特征为落地时刻或者最大后摆幅时刻时，i等于1时表示平地模态，i等于2时表示下楼梯模态，μi和σi是瞬态特征对应分类器的参数，μi是步态模板中步态数据的均值，σi是步态模板中步态数据的标准差，步态模板是基于历史步态数据确定的。
[0084]
由该公式可以算出d1(x)和d2(x)，判别界面即为d1(x)-d2(x)＝0，即当判别界面d1(x)-d2(x)＞0时视为模态1；当判别界面d1(x)-d2(x)＜0时视为模态2。瞬态特征为最大前摆幅时刻时，模态1为平地模态，模态2为上楼梯模态；瞬态特征为落地时刻或最大后摆幅时刻时，模态1为平地模态，模态2为下楼梯模态。
[0085]
基于上述实施例，本发明实施例提供的运动模态识别方法，还包括：
[0086]
在粗分模态为静态模态的情况下，则应用大腿倾角序列的倾角均值和预设静态分类阈值，确定静态模态识别结果。
[0087]
考虑到人体的静态模态主要分为坐下和站立，并且坐下时的大腿倾角和站立时的大腿倾角差异很大，因此，本发明实施例通过预设静态分类阈值与大腿倾角序列的均值进行对比，若大于预设静态分类阈值则为站立，否则为坐下。优选地，预设静态分类阈值θ
th，si
设定为20
°
。
[0088]
基于上述任一实施例，图3是本发明提供一种瞬态特征对应分类器参数更新方法的流程示意图。如图3所示，步骤140之后，还包括：
[0089]
步骤310，基于历史步态数据中的运动模态类别标签，对历史步态数据进行分割，得到步态周期；历史步态数据包括第一惯性传感器检测到的大腿倾角和足底压力传感器检测到的压力数据；
[0090]
步骤320，基于步态周期和步态模板，确定步态周期对应的运动模态类别；步态模板包括平地模板、上楼模板和下楼模板；
[0091]
步骤330，基于步态周期中的瞬态特征，以及步态周期对应的运动模态类别，确定并更新步态周期中的瞬态特征对应分类器的参数。
[0092]
考虑到目前穿戴式机器人实际使用中存在隔天使用的情况，即对穿戴前端进行重新穿戴，不可避免地改变传感系统的测量参数，造成信号特征分布发生变化，使得先前训练
好的模态识别模型失效，进而降低识别性能。如果在重新使用后对模态识别模型进行重新训练的话，需要额外的训练数据，而下肢运动模态识别任务的数据采集需要相应的平台且时间成本高，在实际场景中无法实现。因此，本发明实施例通过自动对数据进行标签标注，并基于标签自动更新分类器参数完成重新训练，减少了人工的干预和训练成本。
[0093]
具体地，获取包含有第一惯性传感器检测到的大腿倾角和足底压力传感器检测到的压力数据，以及运动模态类别标签的历史步态数据，并应用历史步态数据中的运动模态类别标签，对该历史步态数据进行分割，得到步态周期，步态周期可以是一个也可以是多个，每一个步态周期都会和三个步态模板分别进行匹配，基于匹配结果确定每一个步态周期对应的运动模态类别，然后根据任一步态周期的瞬态特征，提取该步态周期的瞬态特征对应的步态数据，并根据该步态周期的瞬态特征对应的步态数据和该步态周期对应的运动模态类别，确定更新该步态周期的瞬态特征对应分类器的参数。
[0094]
需要说明的是，三个步态模板与运动模态类别一一对应，平地模板对应平地模态类别、上楼模板对应上楼梯模态类别以及下楼模板对应下楼梯模态类别。
[0095]
此外，根据该步态周期的瞬态特征对应的步态数据和该步态周期对应的运动模态类别，更新该步态周期的瞬态特征对应分类器的参数时，若瞬态特征对应的分类器，并不处理步态周期对应的运动模态类别，则不更新该瞬态特征对应的分类器的参数，反之则更新，例如：某一步态周期对应的运动模态类别为平地模态类别或者上楼梯模态类别，若步态周期的瞬时特征为最大前摆幅时刻，则更新该瞬态特征对应的分类器的参数，若步态周期的瞬时特征为落地时刻或者最大后摆幅时刻，则不更新该瞬态特征对应的分类器的参数。
[0096]
考虑到各瞬态特征对应的分类器需要在第一次使用时有先验参数，同时需要能够在后续使用过程中实时的更新参数，因此，历史步态数据中的运动模态类别标签，可以是由人工进行标注的，还可以是基于各瞬态特征对应分类器基于先验参数进行识别得到的，本发明实施例对此不作限制。在第一次给被测者穿戴前，需要先由人工对历史步态数据进行标注，得到各瞬态特征的先验参数，在后续使用过程中，则会根据各瞬态特征的当前的参数进行识别并基于识别结果自动进行运动模态类别标签的标注，以供后续操作使用。
[0097]
本发明实施例提供的运动模态识别方法，通过自动对数据进行标签标注，并基于标签自动更新分类器参数完成重新训练，减少了人工的干预和训练成本。
[0098]
基于上述实施例，本发明还提供一优选实施例，该实施例提供一种瞬态特征对应的分类器参数更新方法，包括：
[0099]
瞬态特征对应的分类器参数的获取有两种方法，第一种方法为离线训练，利用训练数据计算瞬态特征对应的分类器在各运动模态类别中的参数，即步态模板中步态数据的均值和标准差。如果在被测者使用之前已经有了其他被试者的使用，则其他被试者的数据计算出的参数作为先验参数。考虑到个体差异，因此在本发明实施例被试者首次测量之前先采集10-20步左右的平地行走数据，用于矫正瞬态特征对应的分类器在各运动模态类别中的先验参数。第二种方法是基于动态时间规整的模式匹配算法，图4是本发明提供的瞬态特征对应的分类器参数的获取方法的流程示意图。如图4所示，图中w为平地，sd为下楼梯，sa为上楼梯，δt为向后移动的时长，利用运动过的一部分数据自动匹配至相应的运动模态并自动打标签，生成相应瞬态特征对应的分类器在各运动模态类别中的参数。
[0100]
基于上述实施例，步骤310中基于步态周期和步态模板，确定步态周期对应的运动
模态类别，包括：
[0101]
将步态周期中任一步态周期和步态模板中的各步态模板分别进行相似度计算，得到该步态周期与各步态模板的相似度得分，并基于该步态周期与各步态模板的相似度得分，确定该步态周期对应的运动模态类别。
[0102]
具体地，应用动态时间规整算法，将任一个步态周期，分别与三个步态模板进行相似度计算，得到该步态周期与三个步态模板的相似度得分，取与该步态周期相似度得分最小的步态模板对应的运动模态类别，作为该步态周期对应的运动模态类别。
[0103]
基于上述实施例，本发明提供一优选实施例，该实施例提供了步态周期对应的运动模态类别获取的方法，包括：
[0104]
步1，确定步态模板中的大腿倾角数据q和某一步态周期的大腿倾角数据c；其中，步态模板中的大腿倾角数据的数据长度固定为200，步态周期的大腿倾角数据的数据长度为m，具体如下式：
[0105]qn
＝q1，q2，q3，
…q200
(n＝1，2，3)
[0106]
c＝c1，c2，c3，
…ci
，
…cm
[0107]
式中，q1、q2和q3分别代表三种步态模板，c分别与q1、q2、q3进行对比。
[0108]
步2，构造一个200
×
m的矩阵网格，矩阵元素(i，j)表示qi和cj两个点的距离d(qi，cj)，采用欧式距离：
[0109]
d(qi，cj)＝(q
i-cj)2[0110]
式中，i＝1，2，3，...，200，j＝1，2，3，...，m。
[0111]
步3，从矩阵中找到从(1，1)到(200，m)的最佳路径，该路径同时具有连续性和单调性，具体如下：
[0112]
γ(i，j)为从(1，1)到矩阵中任意一点的累加距离，即：
[0113]
γ(1，1)＝d(q1，c1)，(i＝1，j＝1)
[0114]
γ(1，2)＝d(q1，c1) d(q1，c2)，(i＝1，j＝2)
[0115]
γ(2，1)＝d(q1，c1) d(q2，c1)，(i＝2，j＝1)
[0116]
γ(i，j)＝d(qi，cj) min(γ(i-1，j-1)，γ(i-1，j)，γ(i，j-1))，(1＜i≤200，1＜j≤m)
[0117]
最佳路径是使得沿路径的累加距离达到最小值这条路径。通过以上算法就可以得到。同时，累加距离越短，说明两个时间序列越相似。
[0118]
根据输出的三种步态模板的最佳路径γ1、γ2和γ3，这三个结果中的最小值对应的运动模态类别即为步态周期对应的运动模态类别。
[0119]
基于上述实施例，基于任一步态周期与各步态模板的相似度得分，确定该步态周期对应的运动模板类别之后，还包括：
[0120]
基于任一步态周期与各步态模板的相似度得分，确定该步态周期对应的步态模板；若该步态周期与该步态周期对应的步态模板的相似度得分大于预设相似度阈值，则应用该步态周期更新该步态周期对应的步态模板。
[0121]
具体地，根据相似度得分获取到任一步态周期对应的步态模板之后，如果相似度得分大于相似度阈值，则应用该步态周期的大腿倾角数据更新该步态周期对应的步态模板中的大腿倾角数据。
[0122]
需要说明的是，在应用该步态周期的大腿倾角数据更新该步态周期对应的步态模板中的大腿倾角数据之前，还可以将该步态周期的大腿倾角数据以插值的方式与步态模板中的大腿倾角数据对齐，并在对齐后进行更新，本发明实施例对此不作限制。
[0123]
下面对本发明提供的运动模态识别装置进行描述，下文描述的运动模态识别装置与上文描述的运动模态识别方法可相互对应参照。
[0124]
图5是本发明提供的运动模态识别装置的结构示意图。如图5所示，该装置包括：倾角确定模块510，粗分模块520，步态划分模块530和模态识别模块540。
[0125]
其中，
[0126]
倾角确定模块510，用于基于第一惯性传感器在预设时长内检测到的惯性数据，确定预设时长内对应的大腿倾角序列，第一惯性传感器设置在被测人员的大腿处；
[0127]
粗分模块520，用于基于大腿倾角序列的离散参数，确定被测人员的粗分模态；
[0128]
步态划分模块530，用于在粗分模态为运动模态的情况下，基于足底压力传感器在预设时长内检测到的压力数据序列，划分预设时长的步态阶段；
[0129]
模态识别模块540，从大腿倾角序列中确定步态阶段的瞬态特征，基于步态阶段的瞬态特征对应的分类器，确定运动模态识别结果。
[0130]
在本发明实施例中，通过倾角确定模块，用于基于第一惯性传感器在预设时长内检测到的惯性数据，确定预设时长内对应的大腿倾角序列，第一惯性传感器设置在被测人员的大腿处；粗分模块，用于基于大腿倾角序列的离散参数，确定被测人员的粗分模态；步态划分模块，用于在粗分模态为运动模态的情况下，基于足底压力传感器在预设时长内检测到的压力数据序列，划分预设时长的步态阶段；模态识别模块，从大腿倾角序列中确定步态阶段的瞬态特征，基于步态阶段的瞬态特征对应的分类器，确定运动模态识别结果，实现了依赖少量传感器的数据，降低了识别算法的逻辑复杂度，提高了运算效率，并分两步进行运动模态识别，在进一步减少逻辑复杂度的同时，提高了运动模态识别的准确度，进而提高了用户体验。
[0131]
基于上述任一实施例，步态划分模块530中包括：
[0132]
对比子模块，用于将压力数据序列中的各压力数据依次和预设压力阈值进行对比，得到各压力数据的对比结果；
[0133]
划分子模块，用于基于压力数据序列中对比结果不同的相邻两压力数据，划分预设时长内的步态阶段；步态阶段的类别包括摆动阶段和落地阶段，其中，摆动阶段为步态阶段中的各压力数据均小于或等于预设压力阈值，落地阶段为步态阶段中的各压力数据均大于预设压力阈值。
[0134]
基于上述任一实施例，模态识别模块540中包括：
[0135]
瞬态特征确定子模块：用于若步态阶段为摆动阶段，则基于大腿倾角序列，确定最大前摆幅时刻，并基于压力数据序列，确定落地时刻；
[0136]
若步态阶段为落地阶段，则基于大腿倾角序列，确定最大后摆幅时刻，并基于压力数据序列，确定单脚全着地时刻；瞬态特征包括：最大前摆幅时刻、落地时刻、最大后摆幅时刻和单脚全着地时刻。
[0137]
基于上述任一实施例，模态识别模块540中包括：
[0138]
各运动模态识别子模块，用于若步态阶段的瞬态特征为单脚全着地时刻，则应用
第二惯性传感器，确定足部倾角，并基于足部倾角和预设足部倾角阈值，应用单脚全着地时刻对应的分类器，进行运动模态识别；第二惯性传感器设置在被测人员的脚面处；
[0139]
否则，应用步态阶段的瞬态特征对应的分类器，对步态阶段的瞬态特征进行运动模态识别。
[0140]
基于上述任一实施例，运动模态识别装置还包括：静态模态识别模块，用于在粗分模态为静态模态的情况下，则应用大腿倾角序列的倾角均值和预设静态分类阈值，确定静态模态识别结果。
[0141]
基于上述任一实施例，运动模态识别装置还包括：分类器参数更新模块，该模块包括：
[0142]
步态周期确定子模块，用于基于历史步态数据中的运动模态类别标签，对历史步态数据进行分割，得到步态周期；历史步态数据包括第一惯性传感器检测到的大腿倾角和足底压力传感器检测到的压力数据；
[0143]
步态模板确定子模块，用于基于步态周期和步态模板，确定步态周期对应的运动模态类别；步态模板包括平地模板、上楼模板和下楼模板；
[0144]
参数更新子模块，用于基于步态周期中的瞬态特征，以及步态周期对应的运动模态类别，确定并更新瞬态特征对应分类器的参数。
[0145]
基于上述任一实施例，步态模板确定子模块，还用于将步态周期中任一步态周期和步态模板中的各步态模板分别进行相似度计算，得到该步态周期与各步态模板的相似度得分，并基于该步态周期与各步态模板的相似度得分，确定任一步态周期对应的运动模态类别。
[0146]
基于上述任一实施例，分类器参数更新模块还包括，步态模板更新子模块，用于基于任一步态周期与各步态模板的相似度得分，确定该步态周期对应的步态模板；若该步态周期与该步态周期对应的步态模板的相似度得分大于预设相似度阈值，则应用该步态周期更新该步态周期对应的步态模板。
[0147]
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(communications interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行运动模态识别方法，该方法包括：基于第一惯性传感器在预设时长内检测到的惯性数据，确定预设时长内对应的大腿倾角序列，第一惯性传感器设置在被测人员的大腿处；基于大腿倾角序列的离散参数，确定被测人员的粗分模态；在粗分模态为运动模态的情况下，基于足底压力传感器在预设时长内检测到的压力数据序列，划分预设时长的步态阶段；基于大腿倾角序列和压力数据序列确定的步态阶段的瞬态特征，应用步态阶段的瞬态特征对应的分类器，进行运动模态识别。
[0148]
此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，
read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0149]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的运动模态识别方法，该方法包括：基于第一惯性传感器在预设时长内检测到的惯性数据，确定预设时长内对应的大腿倾角序列，第一惯性传感器设置在被测人员的大腿处；基于大腿倾角序列的离散参数，确定被测人员的粗分模态；在粗分模态为运动模态的情况下，基于足底压力传感器在预设时长内检测到的压力数据序列，划分预设时长的步态阶段；基于大腿倾角序列和压力数据序列确定的所述步态阶段的瞬态特征，应用步态阶段的瞬态特征对应的分类器，进行运动模态识别。
[0150]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的运动模态识别方法，该方法包括：基于第一惯性传感器在预设时长内检测到的惯性数据，确定预设时长内对应的大腿倾角序列，第一惯性传感器设置在被测人员的大腿处；基于大腿倾角序列的离散参数，确定被测人员的粗分模态；在粗分模态为运动模态的情况下，基于足底压力传感器在预设时长内检测到的压力数据序列，划分预设时长的步态阶段；基于大腿倾角序列和压力数据序列确定的所述步态阶段的瞬态特征，应用步态阶段的瞬态特征对应的分类器，进行运动模态识别。
[0151]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0152]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0153]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。