基于多信号特征和D—S证据理论融合的下肢运动模式识别

陈伟+田一明+王喜太

摘 要：针对下肢运动模式识别中出现的单一信号特征识别方法不能准确、可靠地识别出下肢的运动模式，以及多信号特征识别方法所带来的维数灾难问题。提出一种利用神经网络特征级融合多信号特征以及D-S证据理论对预识别结果进行决策级融合的下肢运动模式识别方法。对采集到的下肢表面肌电信号以及髋关节信号进行特征提取，对两种来自不同信号源的特征向量分别建立各自的神经网络，利用神经网络的特征级融合属性得出不同信号源特征对下肢动作的预识别结果。最后利用D-S证据理论融合来自不同信号源特征对待识别动作的概率信度，以实现决策级融合的目的。通过文中方法对五种下肢常见动作的识别效果进行了验证。实验结果表明，文章方法相比于单一信号源特征的识别方法具有更高的可靠性和正确率。

关键词：运动模式；数据融合；多源信息；神经网络；D-S证据理论；特征提取

中图分类号：R318.04 文献标志码：A 文章编号：2095-2945（2018）01-0025-03

Abstract： In view of the single signal feature recognition method which is adopted in the lower limb motion pattern recognition and can not accurately and reliably identify the lower limb motion pattern and the dimension disaster caused by the multi-signal feature recognition method， a method of lower limb motion pattern recognition using neural network feature level fusion and D-S evidence theory for decision level fusion of pre-recognition results is proposed. The features of the lower limb surface muscle signals and hip joint signals were extracted， and the neural networks were established for the two kinds of feature vectors from different signal sources. The feature level fusion attribute of neural network is used to obtain the pre-recognition results of different signal source features to lower limb motion. Finally， D-S evidence theory is used to fuse the probability reliability of different signal sources dealing with the recognition action， in order to achieve the purpose of decision level fusion. The recognition effect of five common lower extremity movements is verified by the method of this paper. The experimental results show that the proposed method is more reliable and accurate than the single signal source recognition method.

Keywords： motion pattern； data fusion； multi-source information； neural network； D-S evidence theory； feature extraction

引言

佩戴假肢是大腿截肢患者恢復基本行为能力的重要方式之一。截至2006年4月1日的统计数据表明，我国肢体残疾人的数量为2412万，下肢截肢人数约为158万人，占截肢总数的85%，其中能够安装假肢的约为44万人[1]。由于智能假肢能够识别穿戴者的运动意图，实现人-假肢-环境三者之间有效的信息交互与控制，目前受到了广泛的重视。下肢运动模式识别是智能假肢研究工作的重点与难点，因为只有在正确识别穿戴者下肢运动意图的基础上，才能对假肢进行有效的控制。因此，要求智能假肢能够根据患者的意图与外界环境实现各种运动模式的适应，多运动模式识别方法是非常重要的[2]。

本文提出通过融合算法对来自多源信息信号的初步辨识结果在决策级进行有效的融合，既能体现多源信息对运动描述全面性的优势，又能克服传统方法中特征空间复杂度过高的问题。利用在下肢不同运动模式中采集到的髋关节信号以及下肢不同肌肉群的肌电信号作为信号源，通过对其进行特征提取，将这两种信号源各自的识别结果以概率的形式表示出来，作为判断不同动作模式的独立证据，利用D-S证据理论进行融合决策。证据理论的融合算法能够避免单一信号源特征对运动模式描述的片面性而导致识别过程可靠性差的问题，将不同信号特征的优势进行整合，从而提高下肢运动模式识别率。

1 下肢多信号采集及特征提取

人体的下肢运动具有复杂性和规律性，多源信息能够更好地对下肢的运动模式进行描述。本文选取下肢表面肌电信号、髋关节加速度信号、髋关节角度信号作为下肢多信号来源。endprint

1.1 肌电信号

表面肌电信号蕴涵着很多与肢体运动相关联的重要信息[3]。最终选取了半腱肌等四块肌肉作为肌电信号采集的肌肉群，这四块肌肉易于对下肢运动模式进行识别。

表面肌电信号特征

本文为了获得的表面肌电信号中更多有效特征，采用时频域信号特征相结合的方式。具体为：时域法中的积分肌电值，时域法中的绝对值方差、频域法中的功率谱比值。对半腱肌、股直肌等四块肌肉所采集的肌电信号分别选取了包括时域和频域在内的三个特征参数，所以肌电信号源的特征向量可以表示为：F1=[I1，V1，K1，I2，V2，K2，I3，V3，K3，I4，V4，K4]

1.2 髋关节信号

1.2.1 髋关节角度特征

其计算公式为：

（1）

式中，？兹i表示不同运动模式下髋关节角度值，？兹max表示人体运动中髋关节角度的最大值，N表示0.1s内传感器的采样点数。

1.2.2 髋关节加速度特征

本文选取了标准差、偏度和相关系数作为特征[4-5]，于是，下肢运动过程中髋关节信号源的特征向量可以表示为：F2=[X，σ，S，Cxy]。综上所述，总共提取到下肢运动过程中肌电特征、髋关节特征2类共16个特征。

2 D-S证据理论

证据理论又称为信任函数理论，是对经典概率理论的扩展。最初由Dempster提出用于把命题的不确定性问题转化为集合的不确定性问题，经过对该理论的补充形成了现在的D-S理论。

定义一个识别框架Θ，它代表对于一个判决或者识别问题M中所能出现的一切可能存在情况的集合。并且识别框架内的任一命题彼此都互不形容。

对任意假设的信任函数Bel（u）定义为u中全部子集对应这一假设的基本概率之和，即：

（2）

对n个不同证据对应识别框架中各个命题的基本可信度分配函数m1，m2，mn进行合成，得到融合后的基本可信度赋值函数为： 。D-S证据融合规则为：

（3）

3 基于D-S证据理论的下肢动作识别

由于在下肢运动识别中，肌电特征与髋关节特征之间彼此是独立的，并不具有相关性，因此可以将来自不同信号源所训练出神经网络的识别结果转化成在此证据下的可信度分配，再利用D-S证据理论融合两个独立证据下的可信度分配，最后利用阈值决策法给出最终的识别结果。整个识别方法具体步骤如下：

（1）構建问题整体识别框架 以及

证据体Ei（i=1，2，…n）。

（2）确定各证据体的基本概率分配函数。本文利用改进的BP神经网络的输出结果作为证据，来构造概率分配函数，根据特征维数可确定局部识别网络1和2的结构。

（3）利用D-S的合成公式，将所有证据体的基本概率进行融合，得出所有证据体条件下某一动作的基本概率赋值。

（4）构造决策融合的阈值判别规则。根据不同的实验要求，制定相应的基本信度分配条件，以对动作的识别做出判断。

4 实验及结果分析

4.1 实验系统组成

本实验利用Q-PID数据采集卡实现对运动信息的采集，通过数据采集卡采集到电脑进行处理，采样频率为1kHz。使用TRIGNO肌电信号传感设备来对运动过程中四块肌肉的肌电信号进行采集。髋关节加速度信号通过选用美国模拟器件公司的ADXL203型加速度传感器进行采集。角度传感器选用的是村田公司的陀螺仪传感器ENC-03。平地行走的实验数据是在跑步机上以4km/h的速度完成的数据采集。在此基础上，选择7位健康学生作为实验对象，对每位实验对象采集五种运动模式的肌电信号、髋关节角度以及加速度信号各100组，将采集到的所有实验数据按6：4的比例分为训练样本和测试样本。

4.2 实验结果

对训练样本融合后的信度分配情况和动作属性进行统计和分析后，根据二者的对应关系建立融合后的阈值判别规则为：T1=0.65，T2=0.50，T3=0.25。

应用本文所述方法对测试样本进行测试，计算单一信号源以及多信号源融合下的信度分布值，并根据前文构造的融合阈值判别规则进行动作模式判决。表1为实验中随机选取的2组实验的相关记录，其中黑体部分表示某个运动模式拥有最大的信度，即最有可能发生的运动模式。

通过表1可以看出在不考虑D-S理论融合的情况下，两种单一信号源的神经网络的信度输出有时并不能根据设定的信度阈值规则来判定其为何种运动模式，例如表2中运动模式为平地行走时，由于BP2的信度输出m（u1）=0.621

400组测试样本下的单一信号源识别结果和应用D-S理论多信号源融合识别结果如表2所示。由表2可知，但是肌电信号源特征的平均识别率比髋关节信号源特征略高；其次，由于单一信号源特征对运动信息描述不够全面，且当单个神经网络出现模糊识别或误识别后没有其他证据体弥补其出现的不足，造成识别率普遍偏低，本文方法融合来自两个信号源的决策信息，能够避免单一信号源特征对运动描述的不全面性和识别的不稳定性。

5 结束语

本文首先利用神经网络分别建立了基于下肢肌电以及髋关节特征的神经网络分类器，并以各神经网络的输出作为独立证据分别构造在本信号源上的基本信度分配；然后应用D-S证据理论将来自不同信号源对动作模式的判决信息作为彼此独立的证据在决策层进行有效融合；最后，利用构造的决策融合阈值判别规则进行决策识别。实验表明这种方法不仅能避免由于单一信号特征存在的片面性而带来的识别率低的问题，还能够解决多信号特征所带来的特征向量维数过高不利于识别的问题；下一步的工作着重研究不同信号源的最优匹配问题以提高D-S融合理论在下肢模式识别方面的应用效果。

参考文献：

[1]靳尔刚.康复器具行业发展走向[R].北京：中国康复器具协会，2007.

[2]Miller J D， Beazer M S， Hahn M E. Myoelectric walking mode classification for transtibial amputees[J]. IEEE Transactions on Biomedical Engineering，2013，60（3）：2745-2750.

[3]孟明，佘青山，罗志增.HMM在下肢表面肌电信号步态识别中的应用[J].华中科技大学学报（自然科学版），2011，39（增刊）：176-179.

[4]邢秀玉，刘鸿宇，黄武.基于加速度的小波能量特征及样本熵组合的步态分类算法[J].传感技术学报，2013，26（4）：545-549.

[5]Min Li， Long Zhao. The classification of human lower limb motion Based on acceleration sensor[A].Proceedings of 2016 IEEE Chinese Guidance， Navigation and Control Conference. Nanjing， Jiangsu， China： 2016：2210-2214.