本发明属于人工智能及计算机模式识别领域，具体涉及一种面对智能下肢假肢的人体运动意图预知识别方法。
背景技术：
全国残疾人抽样调查结果显示，我国现有各类残疾人总数逾8000万，其中肢体残疾者超过2400万肢体的残缺严重影响了残疾人士的正常生活和工作。残疾人康复假肢是肢体残疾人解决行动障碍的重要手段之一。区别于上肢假肢，下肢假肢控制涉及人体运动平衡问题，对残疾人日常生活的影响十分关键。目前虽然已经有一些商业化的下肢假肢，但其中绝大多数假肢的关节是无动力的。残疾人穿戴这类假肢行走，要比健康人多耗费20％-30％的能量，对于更加复杂的行走环境，比如楼梯和凹凸不平的路面，残疾人走起来会非常吃力，且无法维持运动稳定性。实现引入机器人技术的智能下肢已成为国际研究热点，重点主要包括两个方面：智能肢体的设计与控制以及基于惯性传感器的人体运动意图识别研究。前者主要关注如何利用智能仿生技术设计假肢的机械结构和控制方法，使假肢关节在行走过程中具有更接近于人体关节的力学特性，而后者则关注如何根据采集的人体生物信号(如，表面肌电信号)和假肢传感器信号(如，加速度与关节角度)识别出人的运动意图，并根据识别结果调整假肢的控制参数，以实现自然、流畅、稳定的行走。
在下肢智能假肢控制研究中，比较常用的控制策略为分层控制策略。如图2所示，高层控制器识别人的运动意图，中层控制器把运动意图转换为相应控制算法，底层控制器根据控制算法实现闭环控制、驱动假肢运动。本发明所提出的运动意图识别方法属于高层控制部分。人体运动意图识别在穿戴智能动力下肢假肢控制系统中起着至关重要的作用，人体运动意图识别的最终目的是准确、及时地解码人神经中枢中运动意图的信息，智能下肢假肢的底层控制器根据此运动意图信息来选择相应的控制策略。因此，建立一个完善的面向智能下肢假肢的人体运动意图识别数据库是十分必要的。
研究人员尝试各种方法使得数据库包含丰富的下肢假肢运动意图信息，但在实际条件下，建立数据库往往存在以下问题：1.实验场地有限，获取的数据场景单一；2.残疾人志愿者数量较少，且行动不便，使其佩戴假肢正常行走需要耗费大量时间与金钱成本。本发明试图通过合理的数据库建立方法规避以上问题。
技术实现要素：
为了解决上述问题，本发明提供一种面对智能下肢假肢的人体运动意图预知识别方法，所述方法通过建立意图识别数据库并将数据嵌入假肢或绑定在健侧，当佩戴假肢的患侧的运动模式转换之前，根据嵌入假肢或绑定在健侧的传感器产生的时序数据，对残疾人患者的运动意图进行准确地预知识别；
进一步地，所述方法包括：
s1：意图识别数据采集并建立数据库:受试者穿戴惯性传感器，按照预先定义好的迈步顺序运动，收集其运动数据并建立数据库；
s2：意图识别数据预处理：对采集到的数据进行去噪，以及异常数据去除和修补；
s3：意图识别数据特征提取：选择能区分不同类别运动的特征属性，并提取样本数据特征；
s4：分类模型选择与模型训练，选择合适的分类模型进行训练；
s5：完成意图识别，成功识别出运动意图；
进一步地，所述s1具体包括：
s11：选择2n名受试者，男女比例相等，其中n为正整数，每个健康的受试者在模拟患侧和模拟健侧的大腿与小腿以及脚踝处分别穿戴惯性传感器，所述惯性传感器能够记录人体运动时每个时刻的加速度和角速度运动学信息，并随时间累计产生多数据通道的时序数据，数据按照传感器的结构，逐帧保存在文件中；
s12：按照预先定义好的交替迈步顺序，依次模拟残疾人稳态步态行为和转换步态行为，所述稳态步态行为包括平地行走，上楼，下楼，上坡和下坡，所述转换步态行为包括平地行走向上坡转换、平地行走向下坡转换、平地行走向上楼转换、平地行走向下楼转换、上坡向平地行走转换、下坡向平地行走转换、上楼向平地行走转换和下楼向平地行走转换；
s13：对惯性传感器产生的意图识别数据进行记录与归类，并转换成能够被数据分析软件直接读取的数据文件，每个受试者的意图识别数据分开记录保存，且每个不同的步态行为需要标上相应的标签，用于后续的意图识别算法进行有监督的学习与分类；
进一步地，所述s2具体包括：
s21：对原始数据进行去噪处理，对异常数据进行剔除，对缺失数据进行修补；
s22：以每一个脚步从离地开始到触地，先将长序列切成一小步一小步，然后再在一小步里面加窗切割成45帧的窗口；
s23：对切割后的数据进行加窗处理，使所有样本数据窗口大小相等，所述样本中运用的数据是从脚离地开始往后的45帧数据，所有数据的窗口都是相等的，窗口长度选取的是45帧，长度是极小的，而且每45帧为1/4个步态周期，时间为从一只脚离地开始，摆动的一段时间，脚尖还没有触地，所述加窗处理具体为使得所有数据都是从脚离地开始往后的45帧数据；
s24：在在切割好以后的窗口内的数据中再提取所需的数据；
进一步地，在s24中对于转换行为，均提取转换步的样本数据，所述转换步为从前一个模式转换到后一个模式，同一侧脚离地到脚触地的过程；对于稳态行为，均提取对应的同一只脚从离地开始到下一次触地的数据；
进一步地，所述s3具体包括：
s31：对于转换行为，提取转换步的时候处于摆动相那只腿的数据，对于稳态行为，提取同一只脚的摆动相的相同数据，确保所有数据在传感器位置，窗口长度均一致；
s32：提取数据特征过程中，两条腿交替迈出，在一个步态周期中，每条腿都经历两个阶段，分别为支撑阶段和摆动阶段，其中一只腿处于支撑阶段，另一只腿处于摆动阶段，在s24切割好的数据中，选取处于摆动期的大腿、小腿以及脚踝三个传感器，并分别提取三个传感器采集到的数据的均值、方差和极值；
进一步地，所述s4包括：
s41：选择支持向量机进行分类；
s42：采用以径向基函数作为核函数的svm，对意图识别数据所提取的特征进行分类；
s43：结合网格搜索法与k折交叉验证法选取s42中svm的最优参数，防止过拟合或欠拟合现象的发生，以此得到最优的分类模型。
8、根据权利要求7所述的方法，其特征在于，s43中svm求解方法如下：
s.ty(ω·xi+b)≥1-ξi,i＝1,2,3,...,n
ξ≥0，
其中，ξi称为松弛变量，c为惩罚函数，径向基核函数的形式如下：
进一步地，所述s11中模拟健侧为右侧，模拟患侧为左侧；
进一步地，所述s31中在运动模式转换时，可以对运动意图进行识别，智能假肢的高层控制器可以以此结果提前改变相应的控制参数，更好地控制假肢；
本发明的有益效果如下：
1)在佩戴假肢的患侧的运动模式转换之前，根据嵌入假肢或绑定在健侧的传感器产生的时序数据，对残疾人患者的运动意图进行准确地识别，解决了传统人体运动意图识别方法具有滞后性的问题；
2)系统内包含丰富的下肢假肢运动意图信息，解决了在实际条件下实验场地有限，获取的数据场景单一；残疾人志愿者数量较少，且行动不便，使其佩戴假肢正常行走需要耗费大量时间与金钱成本等问题。
附图说明
图1为本发明所述方法的流程图；
图2为本发明背景技术中所述分层控制策略图；
图3为本发明所述方法中加窗处理示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
下面结合附图和具体实施例对本发明作进一步说明，但不作为对本发明的限定。下面为本发明的举出最佳实施例：
如图1-图3所示，本发明提供一种面对智能下肢假肢的人体运动意图预知识别方法，所述方法实施步骤如下：
1)：意图识别数据采集及数据库建立，受试者穿戴好测量加速度等力学信息的传感器，按照预先定义好的迈步顺序运动，收集其运动数据并建立数据库。具体来说：
每个受试者在模拟健侧(为方便说明与算法实现，本发明中规定模拟健侧为右侧，模拟患侧为左侧)的大腿与小腿处穿戴好惯性传感器，惯性传感器能够记录人体运动时每个时刻的加速度、角速度等运动学信息，并随时间累计产生多数据通道的时序数据。
按照预先定义好的交替迈步顺序，依次模拟残疾人平地行走、上下楼、上下坡，以及平地行走向上下楼、上下坡转换等多类步态行为。在建立数据库时，本发明选用国内外关于意图识别方法的相关研究中常用的步态行为，包括：平地行走，上楼，下楼，上坡，下坡共5类稳态步态行为以及平地行走向上坡转换、平地行走向下坡转换、平地行走向上楼转换、平地行走向下楼转换、上坡向平地行走转换、下坡向平地行走转换、上楼向平地行走转换、下楼向平地行走转换等8类转换步态行为，共13类步态行为。
为了方便实验数据的处理，数据采集过程中，根据不同的行为类别，预先设定好受试者的交替迈步顺序。对于平地行走，上楼，下楼，上坡，下坡这5类稳态行为，采取的交替迈步顺序为：模拟健侧—模拟患侧—模拟健侧—模拟患侧，或模拟患侧—模拟健侧—模拟患侧—模拟健侧依次交替。对于平地行走向上坡转换、平地行走向下坡转换、平地行走向上楼转换、平地行走向下楼转换这4类转换行为，采取的交替迈步顺序为：模拟健侧(平地行走)—模拟患侧(平地行走)—模拟健侧(平地行走向上楼或下楼或上坡或下坡转换)—模拟患侧(上楼、下楼、上坡、下坡)或模拟患侧—模拟健侧—模拟患侧—模拟健侧。对于上坡向平地行走转换、下坡向平地行走转换、上楼向平地行走转换、下楼向平地行走转换，采取的交替迈步顺序为：模拟健侧(上楼、下楼、上坡、下坡)—模拟患侧(上楼、下楼、上坡、下坡)—模拟健侧(上楼或下楼或上坡或下坡向平地行走转换)—模拟患侧(平地行走)或模拟患侧—模拟健侧—模拟患侧—模拟健侧。
实验人员对惯性传感器产生的意图识别数据进行记录与归类，并转换成能够被数据分析软件直接读取的数据文件。每个受试者的意图识别数据分开记录保存，且每个不同的步态行为需要标上相应的标签，以便后续的意图识别算法进行有监督的学习与分类。
数据按照传感器的结构，以一定的格式逐帧保存在文件中。具体来说，单个传感器给定一帧的数据格式如表1所示：
表1单个传感器给定一帧的数据格式
2个传感器(模拟健侧大腿与小腿处)，给定一帧的数据，按照
表2格式排列：
表22个传感器单帧数据格式
2个传感器产生的时序数据，格式如表3所示：
表32个传感器产生的时序数据格式
2)：意图识别数据预处理，即对采集到的数据进行去噪，以及异常数据去除、修补等。具体来说：
对原始数据进行去噪处理，对异常数据进行剔除，对缺失数据进行修补。
如图3所示，以每一个脚步触地点为参考，对长序列数据进行切割，切割后每一个样本为每一步的传感器数据。
对切割后的数据进行加窗处理，使所有样本数据窗口大小相等，为特征提取打下基础。
在切割后的每一步的传感器数据中，提取所需的数据。对于8种转换行为，均提取转换步(从前一个模式转换到后一个模式，同一侧脚离地到脚触地的那一步)的样本数据，对于5种稳态行为，均提取对应的同一只脚从离地开始到下一次触地的数据。
3：意图识别数据特征提取，选择能区分不同类别运动的特征属性，并提取样本数据特征，具体来说：
对于5类稳态行为的意图识别数据，本发明提取每一步数据样本的数值特征，对于8类转换行为，本发明提取健侧或患侧运动模式转换时(上楼或下楼或上坡或下坡向平地行走转换，亦或是平地行走向上楼或下楼或上坡或下坡转换)数据样本的数值特征。如此，本发明所提出的意图识别方法，可以在运动模式转换之前，就可以对运动意图进行识别，智能假肢的高层控制器可以以此结果改变相应的控制参数，更好地控制假肢。
提取数据特征。在人体运动过程中，两条腿是交替迈出，在一个步态周期中，每条腿都经历两个阶段，分别为支撑阶段和摆动阶段，称之为支撑期和摆动期。其中一只腿处于支撑期的时候，另一只腿处于摆动期。在切割好的数据中，本发明选取了切处于摆动期那条腿的大腿、小腿以及脚踝三个传感器，并分别提取了三个传感器采集到的数据的均值、方差、极值等数值特征。此外，也可以使用有监督或无监督的深度学习方法自动学习并提取意图识别数据的内在特征。
4：分类模型选择与模型训练，选择合适的分类模型进行训练。具体来说：
选择支持向量机进行分类。由于svm(支持向量机)能够很好的解决非线性以及高维度分类等实际问题。因此采用以径向基函数作为核函数的svm，对意图识别数据所提取的特征进行分类，并结合网格搜索法与k折交叉验证法选取svm的最优参数，防止过拟合或欠拟合现象的发生，以此得到最优的分类模型。svm的关键环节就是求解如下优化问题：
s.ty(ω·xi+b)≥1-ξi,i＝1,2,3,...,n
ξ≥0，
其中，ξi称为松弛变量，c为惩罚函数。核函数是svm的关键因素之一，径向基核函数的形式如下：
其中，σ为核半径。
此外，还可选择决策树、神经网络等分类方法。或者选择随机森林等集成学习分类方法。亦或者选择深度神经网络等方法；
5)：完成意图识别，成功识别出运动意图。
以上所述的实施例，只是本发明较优选的具体实施方式的一种，本领域的技术人员在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围内。