一种基于高斯过程回归的下肢外骨骼步态预测方法

1.本发明属于外骨骼机器人领域，特别涉及一种下肢外骨骼步态预测技术。


背景技术：

2.外骨骼作为一种将人的智慧与机械的力量结合起来的人机一体化装置，能够通过操作者的简单控制使机械提供的强大动力被人体运用，使操作者能够完成自身无法完成的任务。而下肢外骨骼作为一种辅助行走装置，它将外骨骼的机械结构和人的双腿耦合在一起，通过人体控制、外部供能的方式使自身行动不便或无法行走的操作者可以自主行走。并且可以设计不同的步态、步速来适应不同残疾状况的病人，提高治疗效果。外骨骼主要由以下几个部分组成：(1)机械结构部分。负重外骨骼由于其负重功能的要求，多采用髋+膝+踝结构，而康复外骨骼由于多用于病患，需减少关节的活动，因此多采用髋+膝的结构。机械结构多为质量轻，强度大，抗疲劳的材料，如铝合金、钛合金、纳米材料等；(2)动力系统。外骨骼的动力系统主要为外骨骼的助力提供动力来源，提供动力的方式可以是液压，电机，气动等；(3)传感器系统。外骨骼的传感器系统主要用来获取人机交互过程中各种信号，用以判断人体步态或运功意图；(4)控制系统。通常利用matlab/simulink等软件实现所提出的控制算法及相关方法后，在下载到相应的硬件控制器中。
3.随着外骨骼机器人在日常生活中的普及与推广，传统的控制策略与患者被动行走的控制方法不考虑穿戴者的运动意图的情况下，降低了用户的主动性，而步态预测的方法则根据用户主动的行动意图来实时地控制外骨骼电机驱动的力矩，从而实现驱动患腿关节电机跟随健腿做出与之对应的响应行为。


技术实现要素：

4.为解决上述技术问题，本发明提出一种基于高斯过程回归的下肢外骨骼步态预测方法，通过健腿实时步态数据，得到患腿对应的95％置信区间的预测输出，实现辅助病患进行主动行走时能够根据患者的意图实时地提供助力效果。
5.本发明采用的技术方案为：一种基于高斯过程回归的下肢外骨骼步态预测方法，包括：
6.s1、通过惯性测量单元采集人体步态数据，构造训练集；
7.s2、根据训练集对高斯回归模型进行训练；
8.s3、将下肢外骨骼健腿髋、膝两关节的实时步态数据输入训练完成的高斯回归模型，得到患腿髋、膝两关节的预测数据；
9.s4、患腿侧的下肢外骨骼根据步骤s3输出的预测数据进行动作。
10.本发明的有益效果：本发明设计了一种基于高斯过程回归的下肢外骨骼步态预测方法，通过采集得到的数据集训练高斯回归模型，再根据高斯回归的输出运用到预测控制算法中，使得下肢外骨骼机器人在辅助病患进行主动行走时能够根据患者的意图实时地提供助力效果，改变了以往病患只能根据预先设定的轨迹被动行走的限制，并且解决了步态
拟合困难、预测控制算法设计困难等问题，提高了下肢外骨骼机器人的安全性，有效减小了人机交互力，提高了助力效果。
附图说明
11.图1为本发明的方法流程图。
12.图2为本发明的嵌入式数据采集装置测试示意图；
13.图3为采用本发明的方法关节的预测输出与真实值的对比图；
14.其中，图(a)为髋关节预测输出与真实值对比图，图(b)为膝两关节预测输出与真实值对比图。
具体实施方式
15.为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。
16.本发明具体包括以下三个部分：
17.1、基于imu(inertial measurement unit，惯性测量单元)的嵌入式下肢关节角度、角速度采集装置采集人体处于不同环境下的步态数据，再对采集到的数据集划分为训练集和测试集。本实施例中通过采集两腿均为健腿的健康人体的两腿数据，形成数据集；即数据集中保留人体的双腿数据，在训练时将其中一条腿的数据视作健腿数据，作为输入，另一条腿的数据视作患腿数据，作为输出；从而对高斯回归模型进行训练；
18.这里的不同环境具体如平地、上下楼梯、上下坡等。
19.本实施例中将采集到的数据集按6:1的比例随机划分为训练集和测试集。
20.本实施例中以图2所示的嵌入式数据采集装置测试示意图为例进行说明，分别将4个imu置于两侧小腿靠近膝关节处、两侧大腿靠近髋关节处，即测试得到的两腿数据具体包括：两侧膝关节、髋关节在前后方向、左右方向角度的变化和xyz三轴方向的角速度。
21.2、高斯回归模型的构建与训练过程，包括：首先建立先验模型，再根据贝叶斯公式推导得出预测的后验模型；在确定出核函数之后，使用训练数据集对高斯模型进行训练。
22.2.1高斯模型的建立过程主要如下：
23.建立高斯回归模型时，考虑目标值y含有噪声，即定义为：y＝f(x)+ε，其中：f(x)＝x
t
w，f(x)为一高斯过程，x∈n
′
，
24.其中，w表示权重参数，x表示输入参数，n
′
表示整数集，ε表示噪声项。表示噪声项ε服从正态分布。
25.1)求w的后验分布
26.已知w的先验分布为：
[0027][0028]
其中，xi、yi分别表示某一点的输入和输出，σn表示上述噪声项的标准差，t表示转置。
[0029]
上述公式是输入序列上某一点的预测值yi，如果有多个点需要预测，将每个点的值看作是独立的，可得
[0030][0031]
其中，x是由x向量组成的矩阵，i表示单位矩阵，w～n(0,ε
p
)，ε
p
表示协方差矩阵。
[0032]
再根据贝叶斯定理可得：
[0033]
又p(y|x)＝∫p(y|x,w)p(w)dw
[0034]
这里由于p(y|x)与w无关，本实施例把w看作变量，p(y|x)是一个常量，因此
[0035][0036]
其中，
[0037][0038]
其中，
[0039]
得出：p(w|x,y)是w的最大后验估计
[0040]
2)求f
*
的概率分布
[0041][0042]
其中其中表示定义为,x是训练集输入，y是训练集输出，x
*
是测试集输入，f
*
是预测输出。
[0043][0044]
φ(x)是训练集中所有的列φ(x)的集合：
[0045]
f(x)＝φ(x)
tw[0046][0047]
其中，φ＝φ(x)和
[0048]
3)将f
*
概率分布中均值和方差写成核函数形式
[0049][0050]
其中，φ(x
*
)＝φ
*
，定义k＝φ
t
ε
p
φ。
[0051]
2.2选择核函数
[0052]
本实施例中采用的核函数为径向基函数(rbf核)
[0053][0054]
2.3使用训练集对建立的高斯模型进行训练；训练的过程中通过预测值与实际值进行比较，比较其偏离实际值的程度，计算两者之间的均方根误差，均方根误差值越小则说明模型越好；若不好时需要调整高斯模型参数，调整高斯模型参数为现有已知技术，本发明在此不做详细说明。一般误差值小于0.1，即认为模型是比较好的。
[0055]
2.4使用测试集预测输出，
[0056]
本发明中人体步态预测的方法主要是应用于步态预测控制算法的设计中，以下肢外骨骼机器人的传感器在人机交互中测试得到的关节实时数据为导向，通过高斯过程回归的方法预测得到相应输出的合理置信区间，为控制算法的设计提供一个恰当的参考范围。
[0057]
将髋、膝两关节预测输出、95％置信区间的预测输出和真实值进行对比评估，其结果如图3中(a)、(b)所示；图3中横坐标time表示时间，纵坐标position表示位置，其中图3(a)中的95％代表髋关节95％置信区间的预测输出，q
hip
表示髋关节真实值，表示髋关节预测值，表示滞后一个时刻的髋关节预测值；图3(b)中的95％代表膝关节95％置信区间的预测输出，q
hip
表示膝关节真实值，表示膝关节预测值，表示滞后一个时刻的膝关节预测值。从图3可以看出，在采用rbf核时髋、膝两关节的预测结果与实际数据的趋势基本保持一致，实际数据基本分布于95％置信区间的预测结果范围内，说明此时模型预测效果良好。
[0058]
预测出的95％置信区间的输出是根据健腿的实时数据得出的患腿应当作出响应的输出范围。也就是此时患腿髋、膝两关节转动的范围。
[0059]
3、人体步态预测方法的设计中，主要包括从下肢外骨骼健腿到患腿的映射关系，在此映射过程中主要使用到的数据为关节转动时前后方向和左右方向的角度和角速度数值。
[0060]
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。