一种基于LR-ELM的下肢假肢运动识别方法

一种基于lr-elm的下肢假肢运动识别方法
技术领域
1.本发明属在线模式识别技术领域，具体涉及一种基于lr-elm的下肢假肢运动识别方法。


背景技术：

2.全世界有数以百万计的下肢截肢者，他们面临行动不便等问题，下肢假体的存在可以帮助他们恢复日常活动。多年来，下肢假肢的研究重点已经从最初的被动型假肢，逐步转换为能替残疾人省力和智能调整步态的主动型假肢上来。主动型假肢的发展需要更先进和直观的控制策略，准确判断下肢截肢患者的运动意图尤为重要。极限学习机算法在保证精确结果的同时速度更快，适合应用于人体意图识别，但是想要实现较高精度的分类效果，需要设置大量隐含层节点数，存在参数量巨大的问题，不利于应用在便携式设备上进行实时人体意图识别预测。而logistic regression(lr)算法和knn算法由于结构简单，能有效处理多分类问题，已经被应用于截肢患者的人体意图识别中，分类准确率能达到95％左右，但是5％左右的错误率仍会导致摔倒，会给截肢者造成伤害。
3.由于已有算法的种种缺陷，在实际应用中效果不够理想，本发明提出使用基于lr-elm的下肢假肢运动识别方法对受试者的运动状态进行实时预测。


技术实现要素：

4.本发明的目的在于提供一种基于lr-elm的下肢假肢运动识别方法，通过训练lr分类器生成的系数向量ω
lr
和截距b
lr
作为elm算法隐含层输入权值ω和偏差b的一部分，大大减少elm算法中隐含层节点的数量。借鉴knn算法分类思路，计算未分类点与每个类的聚类中心的欧氏距离，选取距离值最小的类的均值偏差向量作为该点在改进elm算法中使用的偏差，提高模型的分类精度，实现截肢患者运动意图的实时识别预测。
5.本发明的一种基于lr-elm的下肢假肢运动识别方法，包括下列步骤：
6.1.1获取残疾人受试者穿戴膝踝联动假肢进行九种日常运动状态时，假肢上各传感器采集到的动作数据，包括下列步骤：
7.1.1.1使用放置在膝踝联动假肢上的称重传感器、膝关节角度传感器、膝关节处imu传感器、踝关节角度传感器和踝关节处imu传感器，采集7名男性残疾人受试者和1名女性残疾人受试者的慢速水平行走、正常速水平行走、快速水平行走、上坡、下坡、坐、站、上楼和下楼运动时的数据；
8.1.1.2放置在膝踝联动假肢上的传感器采集数据包括:地面反作用力、膝关节角度、膝关节处imu传感器x轴加速度、膝关节处imu传感器y轴加速度、膝关节处imu传感器z轴加速度、膝关节处imu传感器x轴角速度、膝关节处imu传感器y轴角速度、膝关节处imu传感器z轴角速度、踝关节角度、踝关节处imu传感器x轴加速度、踝关节处imu传感器y轴加速度、踝关节处imu传感器z轴加速度、踝关节处imu传感器x轴角速度、踝关节处imu传感器y轴角速度和踝关节处imu传感器z轴角速度，共15通道传感器数据；
9.1.1.3预处理：对步骤1.1.2采集的数据进行去噪、去除有缺失项的异常数据，并对正常数据加上分类标签，包括步骤1.1.1所述的九种日常稳定状态运动模式标签；
10.1.1.4使用固定200ms时间窗，截取每个步态周期中脚跟着地状态后传感器数据，提取各维数据的2种时域特征值，包括：均值和标准差，公式为：
11.均值：
12.标准差：
13.其中：xi为采样样本；n为200ms时间窗内采样样本数；
14.1.2基于logistic regression分类器改进的elm算法，简称：lr-elm算法，能大幅度减少需要保存的参数个数，仿照knn算法结构，对不同待测样本使用不同的偏差向量，实现实时人体意图识别判断，包括下列步骤：
15.1.2.1将所有8名受试者特征提取后的实验数据，输入到logistic regression分类器，获得系数向量ω
lr
和截距b
lr
，训练方法如下：
16.1.2.1.1logistic regression分类器使用sklearn.linear_model库中的logisticregression模型；
17.1.2.1.2使用受试者数据提取出的特征值训练logistic regression分类器，保存logisticregression.coef_和logisticregression.intercept_作为系数向量ω
lr
和截距b
lr
；
18.其中：表示划分分类1与其他分类的边界拟合曲线的系数向量的转置，d为数据维数，m为分类数；
19.1.2.2对elm算法结构进行改进，使用分类数作为隐含层节点数，其中输入权值ω和隐含层偏差b不完全使用随机生成，组成公式如下：
20.ω＝ω
lr
rnd
ω
21.b＝b
lr
b
pso
22.其中：b＝[b1,
…
,bm]；ω
lr
和b
lr
为使用lr分类器输出的系数向量和截距；随机数rnd
ω
∈[-0.2,0.2]；为使用粒子群算法生成的粒子，迭代次数为50次，粒子规模为150，保存使elm分类器达到最优精度时的输入权值
和隐含层偏差m为分类数；
[0023]
1.2.3再次训练改进elm分类器，其中隐含层节点的输入权值使用1.2.2训练得到的ω
best
，而每个样本使用不完全相同的隐含层偏差b
rnd
，b
rnd
组成如下：
[0024]brnd
＝b
best
rndb[0025]
其中：b
best
为1.2.2训练得到的最优隐含层偏差，随机数随机隐含层偏差如果一个样本点被正确分类，保存该点的偏差矩阵，将每一类中所有偏差矩阵的均值作为分类均值偏差矩阵b。
[0026][0027]
其中：表示分类1的均值偏差向量的转置，m为分类数；
[0028]
1.2.4在每一类中，使用k-means聚类算法得到聚类中心点，在改进elm分类器中输入一个未分类的点，首先计算该点与每个类的聚类中心的欧氏距离，选取距离值最小的类的均值偏差向量作为该点在改进elm算法中使用的偏差：
[0029]
1.2.5使用bbo算法，对数据进行权重优化，优化训练每一维数据的权重值，bbo算法中的适应度函数为改进elm分类器的错误样本数，选择迭代500次中，适应度函数值最小的那组物种解，作为改进elm分类器的各维数据的权重值；
[0030]
1.2.6使用步骤1.2.2得到的输入权值ω
best
，步骤1.2.3中得到的分类均值偏差矩阵b和利用广义逆计算得到的输出权值矩阵β，步骤1.2.4中得到的各分类聚类中心矩阵k编写预测函数代码，移植到stm32单片机中，进行实时预测；
[0031]
其中：d为数据维数，m为分类数。
[0032]
步骤1.1.1所述的7名男性残疾人受试者和1名女性残疾人受试者均为左侧膝上截肢患者。
[0033]
步骤1.1.1所述的在采集数据前，每位受试者需穿戴假肢进行十小时适应性训练，并学习健肢和假肢交替上下楼。
[0034]
步骤1.1.1所述膝踝联动假肢上的称重传感器、膝关节角度传感器、膝关节处imu传感器、踝关节角度传感器和踝关节处imu传感器的采样频率均为100hz。
[0035]
步骤1.2所述的采集到的受试者实验数据，特征处理后，需要进行min-max标准化对原始数据进行线性变换，将值映射到[0,1]之间。
[0036]
步骤1.2所述的基于logistic regression分类器改进的elm算法，其计算分类准确率是通过十折交叉验证获得的，将数据集分成十份，轮流将其中九份作为训练数据，一份作为测试数据进行试验，十份试验结果正确率的平均值作为对算法精度的估计。
[0037]
本发明的有益效果在于：
[0038]
本发明基于lr-elm的下肢假肢运动识别方法，能大大提高截肢者运动意图识别的准确率；利用lr算法和knn算法结构对elm算法进行改进，能大大缩小隐含层节点数量；使用pso算法和bbo算法分别对隐含层偏差定向寻找最优解和优化每一维数据权重值，改进elm算法准确率明显提高，优于原elm算法、lr算法和knn算法；改进后算法参数大幅减少，能满足移植到stm32单片机中，进行实时预测。
附图说明
[0039]
图1为基于lr-elm的下肢假肢运动识别方法的流程图；
[0040]
图2为改进elm算法的结构示意图。
具体实施方式
[0041]
下面结合附图进一步描述本发明。
[0042]
本发明的一种基于lr-elm的下肢假肢运动识别方法实现流程如图1所示，该方法包括下列步骤：
[0043]
1.1获取残疾人受试者穿戴膝踝联动假肢进行九种日常运动状态时，假肢上各传感器采集到的动作数据，包括下列步骤：
[0044]
1.1.1使用放置在膝踝联动假肢上的称重传感器、膝关节角度传感器、膝关节处imu传感器、踝关节角度传感器和踝关节处imu传感器，采集7名男性残疾人受试者和1名女性残疾人受试者的慢速水平行走、正常速水平行走、快速水平行走、上坡、下坡、坐、站、上楼和下楼运动时的数据；
[0045]
1.1.2放置在膝踝联动假肢上的传感器采集数据包括：地面反作用力、膝关节角度、膝关节处imu传感器x轴加速度、膝关节处imu传感器y轴加速度、膝关节处imu传感器z轴加速度、膝关节处imu传感器x轴角速度、膝关节处imu传感器y轴角速度、膝关节处imu传感器z轴角速度、踝关节角度、踝关节处imu传感器x轴加速度、踝关节处imu传感器y轴加速度、踝关节处imu传感器z轴加速度、踝关节处imu传感器x轴角速度、踝关节处imu传感器y轴角速度和踝关节处imu传感器z轴角速度，共15通道的传感器数据；
[0046]
1.1.3预处理：对步骤1.1.2采集的数据进行去噪、去除有缺失项的异常数据，并对正常数据加上分类标签，包括步骤1.1.1所述的九种日常稳定状态运动模式标签；
[0047]
1.1.4使用固定200ms时间窗，截取每个步态周期中脚跟着地状态后传感器数据，提取各维数据的2种时域特征值，包括：均值和标准差，公式为：
[0048]
均值：
[0049]
标准差：
[0050]
其中：xi为采样样本；n为200ms时间窗内采样样本数；
[0051]
1.2基于logistic regression分类器改进的elm算法，简称：lr-elm算法，能大幅度减少需要保存的参数个数，仿照knn算法结构，对不同待测样本使用不同的偏差向量，实
现实时人体意图识别判断，包括下列步骤：
[0052]
1.2.1将8名受试者特征提取后的实验数据，输入到logistic regression分类器，获得系数向量ω
lr
和截距b
lr
，训练方法如下：
[0053]
1.2.1.1 logistic regression分类器使用sklearn.linear_model库中的logistic regression模型；
[0054]
1.2.1.2使用受试者数据提取出的特征值训练logistic regression分类器，保存logisticregression.coef_和logisticregression.intercept_作为系数向量ω
lr
和截距b
lr
；
[0055]
其中：表示划分分类1与其他分类的边界拟合曲线的系数向量的转置；d为数据维数；m为分类数；
[0056]
1.2.2对elm算法结构进行改进，使用分类数作为隐含层节点数，其中输入权值ω和隐含层偏差b不完全使用随机生成，组成公式如下：
[0057]
ω＝ω
lr
rnd
ω
[0058]
b＝b
lr
b
pso
[0059]
其中：b＝[b1,
…
,bm]；ω
lr
和b
lr
为使用lr分类器输出的系数向量和截距；随机数rnd
ω
∈[-0.2,0.2]；为使用粒子群算法生成的粒子，迭代次数为50次，粒子规模为150，保存使elm分类器达到最优精度时的输入权值和隐含层偏差m为分类数；
[0060]
1.2.3再次训练改进elm分类器，其中隐含层节点的输入权值使用步骤1.2.2训练得到的ω
best
，而每个样本使用不完全相同的隐含层偏差b
rnd
，b
rnd
组成如下：
[0061]brnd
＝b
best
rndb[0062]
其中：b
best
为步骤1.2.2训练得到的最优隐含层偏差；随机数随机隐含层偏差如果一个样本点被正确分类，保存该点的偏差矩阵，将每一类中所有偏差矩阵的均值组成分类均值偏差矩阵b；
[0063]
[0064]
其中：表示分类1的均值偏差向量的转置；m为分类数；
[0065]
1.2.4在每一类中，使用k-means聚类算法得到聚类中心点，在改进elm分类器中输入一个未分类的点，首先计算该点与每个类的聚类中心的欧氏距离，选取距离值最小的类的均值偏差向量作为该点在改进elm算法中使用的偏差：
[0066]
1.2.5使用bbo算法，对数据进行权重优化，优化训练每一维数据的权重值，bbo算法中的适应度函数为改进elm分类器的错误样本数，选择迭代500次中，适应度函数值最小的那组物种解，作为改进elm分类器的各维数据的权重值；
[0067]
1.2.6使用步骤1.2.2得到的输入权值ω
best
，步骤1.2.3中得到的分类均值偏差矩阵b和利用广义逆计算得到的输出权值矩阵β，步骤1.2.4中得到的各分类聚类中心矩阵k编写预测函数代码，移植到stm32单片机中，进行实时预测；
[0068]
其中：d为数据维数，m为分类数。
[0069]
步骤1.1.1所述的7名男性残疾人受试者和1名女性残疾人受试者均为左侧膝上截肢患者。
[0070]
步骤1.1.1所述的在采集数据前，每位受试者需穿戴假肢进行十小时适应性训练，并学习健肢和假肢交替上下楼。
[0071]
步骤1.1.1所述膝踝联动假肢上的称重传感器、膝关节角度传感器、膝关节处imu传感器、踝关节角度传感器和踝关节处imu传感器的采样频率均为100hz。
[0072]
步骤1.2所述的采集到的受试者实验数据，特征处理后，需要进行min-max标准化对原始数据进行线性变换，将值映射到[0,1]之间。
[0073]
步骤1.2所述的基于logistic regression分类器改进的elm算法，其计算分类准确率是通过十折交叉验证获得的，将数据集分成十份，轮流将其中九份作为训练数据，一份作为测试数据进行试验，十份试验结果正确率的平均值作为对算法精度的估计。