[发明专利]一种下肢动态动作模式识别方法

说明书

本发明为下肢动态动作模式识别算法，可有效地识别下肢的动态动作，扩展LDA算法应用场景。包括步骤：采集行走、跑步、上楼梯和下楼梯四种动作模式过程中的欧拉角、角速度和加速度信号、足底压力信号；以后脚跟着地的时间点后预设时间窗口作为特殊数据窗口，截取在特殊数据窗口内所采集的信号数据；对特殊数据窗口中的信号数据进行特征提取，计算特征值并组成特征向量；对一半的特征向量训练，得到最优降维矩阵和四种动作模式所对应的标签向量；将另一半特征向量用于识别，将待识别的特征向量用最优降维矩阵进行降维操作，通过降维后的再识别特征向量与四种动态动作模式所对应的标签向量进行比较，确定识别的动作模式。

技术领域

本发明涉及模式识别领域，特别涉及一种基于特殊数据窗口的惯性测量单元信号的下肢动态动作模式识别方法，可用于下肢行走、跑步、上楼梯和下楼梯等动态动作模式的识别。

背景技术

在机器人等的模式识别中，下肢的动作模式与上肢的动作模式有比较大的差别，下肢主要的动作模式主要是动态的动作模式。下肢的行走、跑步、上楼梯和下楼梯等动作都属于动态的动作模式。这些动作在根本上都可以看作一种行走步态的扩展。下肢的动态动作是一个动态的循环过程。在动作模式的进行过程中，固定在下肢的惯性测量单元的信号会发生比较大的周期性变化。

LDA算法是一种广泛使用的模式识别算法。LDA算法需要对信号数据进行窗口分割，然后对窗口中的数据提取特征，最后使用特征向量进行训练和识别。这种算法的局限性在于一般只用来识别静态的上肢动作模式，比如上肢的各种手势。LDA算法的优点是其计算过程比较简单，能够在很大程度上减轻模式识别计算系统的负担。

惯性测量单元是在动作识别中广泛使用的一种传感器。惯性测量单元可以检测到模块的角速度和加速度。许多厂家产出的惯性测量单元里面包含了计算芯片，可以通过卡尔曼滤波算法等实时地计算模块的欧拉角。欧拉角的坐标系相对于地面静止，在描述对象的位置时具有重要的作用。惯性测量单元体积较小，穿戴方便，广泛应用于下肢的动作识别。

发明内容

针对现有技术所存在的技术问题，本发明提出一种下肢动态动作模式识别方法，通过特殊数据窗口截取的惯性测量单元的信号，可以有效地识别下肢的动态动作，扩展LDA算法的应用场景。

本发明通过如下技术方案实现：一种下肢动态动作模式识别方法，包括如下步骤：

步骤S1、采集行走、跑步、上楼梯和下楼梯四种动态动作模式过程中的欧拉角、角速度和加速度信号；采集所述四种动态动作模式过程中的足底压力信号；

步骤S2、确定出每个步态后脚跟着地的时间点，以后脚跟着地的时间点后预设时间窗口作为特殊数据窗口，截取每个步态中在特殊数据窗口内所采集的信号数据；

步骤S3、对四种动态动作模式的特殊数据窗口中的信号数据进行特征提取，计算特殊数据窗口的绝对均值、均方根、方差、波长和威尔逊幅值五个特征值；将每一个特殊数据窗口计算的五个特征值组成特征向量；

步骤S4、对一半的特征向量进行训练，得到类内散列矩阵和类间散列矩阵，再进一步得到最优降维矩阵和四种动作模式所对应的标签向量；

步骤S5、将另一半特征向量用于识别，将待识别的特征向量用最优降维矩阵进行降维操作，通过降维后的再识别特征向量与四种动态动作模式所对应的标签向量进行比较，确定其识别的动作模式。

在本发明中，下肢的行走、跑步、上楼梯和下楼梯被当作动态的动作模式；基于足底压力信息对步态中的特殊窗口进行截取，然后对特殊数据窗口中的惯性测量单元的角速度、加速度和欧拉角信号数据特征进行提取；利用LDA算法对特征向量进行训练和识别，从而识别出下肢的四种动态动作模式。相比于现有技术，本发明的优点在于：