平均值、与第一步态数据和从第二数据库提取的Ξ个相似的步态数据之间的相似度 的平均值对应的第二平均值、与第一步态数据和从第Ξ数据库提取的Ξ个相似的步态数据 之间的相似度的平均值对应的第Ξ平均值。因此，第一平均值、第二平均值和第Ξ平均值可 分别指示第一步态数据的与第一步态任务、第二步态任务和第Ξ步态任务对应的特征值。 步态特征产生器240可产生包括作为元素的第一平均值、第二平均值和第Ξ平均值的3Χ1 步态特征向量。步态特征产生器240可针对多个数据库中包括的每个步态数据产生运样的 步态特征向量。
[0089] 此外，步态特征产生器240可通过对针对每个步态数据产生的步态特征向量进行 归一化来产生步态特征。例如，步态特征产生器240可通过将针对包括在多个数据库中的 各个步态数据产生的步态特征向量归一化为具有相同大小的向量来产生步态特征。
[0090] 根据一个示例实施例，当获得针对新用户的感测数据时，预处理设备210可基于 感测数据检测针对新用户的多个步态模式，基于多个步态任务对多个步态模式进行分类， 并将经分类的多个步态模式作为步态数据存储在多个数据库中的每个数据库中。当存储在 多个数据库中的步态数据不被用于在特定时间段识别步态任务时，预处理设备210可删除 未被使用的步态数据。
[0091] 学习参数提取器250可通过将针对多个步态数据中的每一个的步态特征应用于 期望的（或者可选地，预定的）学习模型来提取针对期望的（或者可选地，预定的）学习模 型的学习参数。期望的（或者可选地，预定的）学习模型可包括神经网络（ΝΝ)模型、支持 向量回归（SVR)模型和高斯过程回归模型之一。此外，期望的（或者可选地，预定的）学习 模型可包括除模型、SVR模型和高斯过程回归模型之外的可使用特征向量估计步态任务 的其他学习模型。例如，其他学习模型可包括基于模式分类的学习模型。当期望的（或者 可选地，预定的）学习模型是順模型时，期望的（或者可选地，预定的）学习参数可包括神 经元之间的连接模式、权重和激活函数。当期望的（或者可选地，预定的）学习模型是SVR 模型时，期望的（或者可选地，预定的）学习参数可包括核函数和惩罚参数。当期望的（或 者可选地，预定的）学习模型是高斯过程回归模型时，期望的（或者可选地，预定的）学习 参数可包括核函数和超参数化yper-parameter)。
[0092] 学习参数提取器250可将关于每个步态数据的步态特征映射到期望的（或者可选 地，预定的）维度的特征空间。当期望的（或者可选地，预定的）学习模型是SVR模型时， 学习参数提取器250可使用齐性核映射将关于每个步态数据的步态特征映射到特征空间。 例如，学习参数提取器250可使用齐性核映射将5X1步态特征映射到15X1维度的特征空 间。学习参数提取器250可将关于每个步态数据的映射的步态特征输入到期望的（或者可 选地，预定的）学习模型中。学习参数提取器250可通过将步态特征应用于相对低维度的空 间中的非线性学习模型（例如，非线性SVR模型）来提取学习参数。因此，用于提取学习参 数的计算时间可减少。除了齐性核映射之外，学习参数提取器250可使用主成分分析（PCA) 或线性判别分析（LDA)将关于每个步态数据的步态特征映射到特征空间。
[0093] 学习参数提取器250可通过将关于每个步态数据的步态特征应用于期望的（或者 可选地，预定的）学习模型来使学习参数适合于步态任务识别。
[0094] 例如，当期望的（或者可选地，预定的）学习模型是SVR模型时，学习参数提取器 250可通过针对与步态特征相应的步态任务指定+1的等级并针对不与步态特征相应的步 态任务指定-1的等级，通过学习提取与针对包括在多个数据库中的所有项步态数据的步 态特征相关的学习参数。在此示例中，当五个步态任务被定义时，学习参数提取器250可提 取学习参数，诸巧
阳0巧]学习参数提取器250可使用通信接口将提取的学习参数发送到步态任务识别设 备310。因此，步态任务识别设备310可更精确快速地识别步态任务。
[0096] 图3是示出根据示例实施例的用于识别步态任务的步态任务识别设备的框图。
[0097] 参照图3,用于识别步态任务的步态任务识别设备310包括步态模式检测器320、 步态特征产生器330、步态任务估计器340和驱动控制器350。
[0098] 步态模式检测器320可基于感测数据检测用户的步态模式。感测数据可表示通过 使用附着于行走辅助设备的传感器感测关于步态运动的用户的运动量或生物信号的变化 所获得的数据。此外，感测数据可表示基于通过仿真获得的运动数据的虚拟数据。依据步 态任务，感测数据可具有固有模式。因此，用于识别步态任务的步态任务识别设备310可基 于感测数据估计步态任务。在一个示例中，感测数据可包括W下数据中的至少一个：由IMU 传感器感测的加速度数据、由IMU传感器感测的角速度数据、由电位计感测的关节角数据、 由电位计感测的关节角速度数据和从EMG传感器提取的EMG数据。在此示例中，加速度数 据或角速度数据可表示相对于X轴、Y轴和Z轴中的至少一部分的加速度数据或角速度数 据。关节角数据或关节角速度数据可表示相对于R轴和L轴中的至少一部分的关节角数据 或关节角速度数据。感测数据可从多个IMU传感器、多个电位计或多个EMG传感器提取。
[0099] 步态模式的基本单位可W是步或复步。步可包括单足跟着地，复步可包括两个步。 步态模式检测器320可通过将感测数据划分为步或复步来提取用户的步态模式。
[0100] 步态模式检测器320可基于R轴关节角数据和L轴关节角数据之间的角度差提取 步进时间，并针对提取的步进时间基于加速度数据检测足跟着地。 阳101]因为步态模式检测器320可基于作为基本单位的步或复步检测步态模式，所W尽 管步态条件（例如，用户的运动速度和步长的改变）改变，也可预期统一的步态任务识别性 能。因此，当与基于固定时间检测步态模式的情况相比时，步态模式检测器320可针对步态 条件的改变坚定地识别用户的步态模式。此外，足跟着地可被包括在步态运动中。当步长 包括单足跟着地时，步态模式识别的可靠性可提高。 阳102] 当步态模式检测器320检测到步态模式时，步态任务识别设备310可识别步态任 务。例如，当处于停止状态的用户运动时，步态任务识别设备310可在检测到包括两个步的 复步之后识别步态任务。当用户连续行走时，步态任务识别设备310可在每次检测到单个 步时识别步态任务。 阳103] 步态模式检测器320可针对时间轴和数据轴中的至少一个对步态模式进行归一 化。针对时间轴的归一化可被称为时间归一化，针对数据轴的归一化可被称为Z归一化。因 为步态模式可包括步或复步，所W每个步态模式针对时间轴的大小可彼此不同。此外，因为 用户每次行走时的运动量可能不一致，所W步态模式针对数据轴的大小可彼此不同。步态 特征产生器330可使用步态模式捜索由图2的预处理设备210构造的数据库。因此，为了 提高数据库捜索效率，可对步态模式执行时间归一化或Z归一化。
[0104] 步态模式检测器320可通过基于期望的（或者可选地，预定的）周期校正步态模 式的时间误差来执行时间归一化。例如，步态模式检测器320可基于期望的（或者可选地， 预定的）采样率按相等的间隔校正步态模式的采样率。步态模式检测器320可考虑步态模 式的线性度，基于期望的（或者可选地，预定的）周期对步态模式进行插值。
[01化]步态模式检测器320可针对步态模式基于感测数据的平均值和标准偏差执行Z归 一化。例如，步态模式检测器320可针对步态模式计算感测数据的平均值和标准偏差，并使 用等式1对计算的平均值和标准偏差进行归一化。当执行了Z归一化时，由于环境差异而 发生的步态模式之间的数据误差可减小。因此，可提高步态任务识别性能。 阳106] 步态特征产生器330可从分别与多个步态任务相应的多个数据库中的每个数据 库提取与步态模式相似的多个步态数据，并基于步态模式和相似的步态数据之间的相似度 来产生步态模式的步态特征。 阳107] 步态特征产生器330可捜索多个数据库中的每个数据库W提取与所述步态模式 相似的步态数据。在此示例中，步态特征产生器330可计算所述步态模式与包括在多个数 据库中的各个步态数据之间的相似度，并基于计算的相似度从多个数据库中的每个数据库 提取与步态模式相似的步态数据。如上所述，不仅可基于特定步态数据（例如，由步态模式 检测器320检测到的步态模式）与排除该特定步态数据之外的其余步态数据中的每个之间 的距离，还可基于可指示特定步态数据（例如，由步态模式检测器320检测到的步态模式） 和排除该特定步态数据之外的其余步态数据中的每个之间的匹配度的所有索引，来计算相 似度。
[0108] 步态特征产生器330可计算步态模式与相似的步态数据之间的相似度的平均值， 并基于作为元素的计算的平均值产生包括与多个步态任务中的每个相应的特征值的步态 特征向量。例如，当四个步态任务被定义并且四个数据库被提供时，步态特征产生器330可 从包括在四个数据库中的每个中的步态数据提取与步态模式具有相对高的相似度的Ξ个 相似的步态数据。步态特征产生器330可计算与步态模式和从第一数据库提取的Ξ个相似 的步态数据之间的相似度的平均值相应的第一平均值、与步态模式和从第二数据库提取的 Ξ个相似的步态数据之间的相似度的平均值相应的第二平均值、与步态模式和从第Ξ数据 库提取的Ξ个相似的步态数据之间的相似度的平均值相应的第Ξ平均值、与步态模式和从 第四数据库提取的Ξ个相似的步态数据之间的相似度的平均值相应的第四平均值。因此， 第一平均值、第二平均值、第Ξ平均值和第四平均值可分别指示与第一步态任务、第二步态 任务、第Ξ步态任务和第四步态任务相应的步态模式的特征值。步态特征产生器330可产 生包括作为元素的第一平均值、第二平均值、第Ξ平均值和第四平均值的4X1步态特征向 量。 阳109] 步态特征产生器330可通过对步态特征向量进行归一化来产生步态特征。
[0110] 步态任务估计器340可通过将步态特征应用于期望的（或者可选地，预定的）学 习模型来估计与步态模式相应的步态任务。如上所述，期望的（或者可选地，预定的）学习 模型可包括順模型、SVR模型和高斯过程回归模型之一。期望的（或者可选地，预定的）学 习模型可包括除了順模型、SVR模型和高斯过程回归模型之外的可使用特征向量估计步态 任务的其他学习模型。其他学习模型可包括例如基于模式分类的学习模型。 阳111] 步态任务估计器340可将步态特征映射到期望的（或者可选地，预定的）维度的 特征空间。当期望的（或者可选地，预定的）学习模型是SVR模型时，步态任务估计器340 可使用齐性核映射将步态特征映射到特征空间。步态任务估计器340可将映射的步态特征 输入到期望的（或者可选地，预定的）学习模型。步态任务估计器340可通过将步态特征 应用于相对低维度的空间中的非线性学习模型（例如，非线性SVR模型）来估计步态任务， 从而减少用于估计步态任务的计算时间。
[0112] 步态任务估计器340可将步态特征输入到期望的（或者可选地，预定的）学习模 型，并通过将期望的（或者可选地，预定的）学习参数应用于期望的（或者可选地，预定的） 学习模型来估计与步态模式相应的步态任务。可从包括在多个数据库中的每个数据库中的 步态数据提取期望的（或者可选地，预定的）学习模型。例如，预处理设备210可通过将关 于每个步态数据的步态特征应用于期望的（或者可选地，预定的）学习模型来使学习参数 适合于步态任务识别。步态任务估计器340可将步态特征输入到期望的（或者可选地，预 定的）学习模型，并通过应用由预处理设备210适合的学习参数来估计步态任务。在此示 例中，步态任务估计器340可使用通信接口从预处理设备210获得学习参数。因此，步态任 务估计器340可在不执行单独的用于学习参数提取的学习处理的情况下更快速精确地估 计步态任务。
[0113] 例如，当五个步态任务被定义并且期望的（或者可选地，预定的）学习模型 是SVR模型时，步态任务估计器340可将步态特征和从预处理设备210获得的模型参数
立用于SVR模型，如等式2所示。
[0114][等式引 阳"引y=WsvMx+bsvM
[0116] =[ytasklYtask2YtaskSYtask4Ytasksl
[0117] 在等式2中，y表示输出值，WsvM和bsvM表示从预处理设备210获得的模型参数，X 表示步态模式，yhskl至ytsske分别表示第一步态任务至第五步态任务。步态任务估计器340 可将与多项输出值中的具有最大值的一项相应的步态任务估计为当前步态任务。
[0118] 驱动控制器350可基于估计的步态任务控制行走辅助设备的驱动。例如，当五个 步态任务被定义并且步态任务估计器340估计当前步态任务为第Ξ步态任务时，驱动控制 器350可通过将步态任务识别设备310的操作模式设置为与第Ξ步态任务相应的操作模式 来控制行走辅助设备的驱动。
[0119] 图4是示出根据示例实施例的用于执行步态任务识别的预处理设备的框图。
[0120] 参照图4,预处理设备410包括感测数据输入单元420、步检测器430、步态模式划 分器44