为了提高下肢外骨骼机器人及其穿戴者行走的流畅性和人机相互协调性，本文提出了一种基于惯性传感器信号的下肢外骨骼穿戴者行走步速识别方法。首先选取大腿处和小腿处的三轴加速度和三轴角速度信号，随后根据时间窗口提取当前时刻前0.5 s的信号，以频域信号中的傅里叶变换系数为特征值。接着将支持向量机（SVM）与隐马尔科夫模型（HMM）结合作为分类模型，对该模型进行训练和步速识别。最后结合步速变化规律与人-机约束力，预测当前时刻步速大小。试验结果表明，本文提出的方法能够有效识别下肢外骨骼穿戴者的步速意图，七种步速模式识别率可达到92.14%。本文方法为实现外骨骼与穿戴者之间的人机协调控制提供了新思路和新途径。
引用本文： 胡冬, 刘作军, 陈玲玲, 王倩. 基于支持向量机-隐马尔科夫模型的外骨骼穿戴者步速意图识别. 生物医学工程学杂志, 2022, 39(1): 84-91. doi: 10.7507/1001-5515.202011009 复制
引言
下肢外骨骼机器人是一种以人机协同为主的一体化装置，尤其是在军事和康复辅具方面有丰富的应用背景[1]。目前，按其应用背景将下肢外骨骼机器人分为两类，负重型外骨骼和康复校正型外骨骼。通过将人与机器相结合的方式，使外骨骼机器人起到支撑、助力和保护的作用[2-4]。
为了保证穿戴者与外骨骼装置行走的协调性，文献[5-7]充分研究了不同步速下的外骨骼控制策略，将外骨骼行走的速度进行了划分并以此来实现人机的步速匹配，充分说明了步速意图的提前感知是人机步速匹配的重要前提。外骨骼穿戴者的步速意图识别能够提前感知穿戴者的步速变化，并使外骨骼作出相应的协同控制，使得外骨骼穿戴者行走更加稳定、流畅和自然。
一般情况下，人体运动步速意图通常基于生物电信号（肌电信号、脑电信号等）和生物力学信号（加速度计信号、陀螺仪信号和压力传感器信号等）进行识别[8-9]。Choi等[10]提出一种基于肌电信号预测摆动相步速的识别方法，以信号波长的平方根值做特征值，使用线性回归方法进行建模，解决了因模型在低速时性能不好而造成速度预测不准确的问题。但由于肌电信号采集设备的昂贵和采集信号的微弱，而且肌电信号还含有很多噪声，使得它在意图识别的应用中受到了很大的限制。近年来随着微型惯性传感器的性能逐步提高和成本普遍降低，惯性传感器逐步引入了步速识别中。Jung等[11]使用人与外骨骼之间的压力传感器测得行走过程中相互作用力，用于估算穿戴者预期的步行速度，然后基于估计的步行速度，选择合理的参考轨迹，用于最终的控制策略中。Song等[12]根据三轴加速度计传感器进行速度估计，使用神经网络模型根据对象的状态估计步幅，用估计的步幅长度除以测得的时间计算步速。使用该方法不需要传感器的校正就可以对步数、移动距离以及步速进行有效估计。但是由于时间是通过测量得到的，其速度的估计是在发生行走动作后完成的，不能实现步速的预测功能。外骨骼人-机行走的速度是穿戴者通过克服与机器之间的相互作用力体现出来的，由于存在外骨骼机械结构的约束和电机执行机构的惯性延迟，最终造成其与穿戴者真实的行走意图有所差别。上述文献中的步速意图均没有考虑在外骨骼装置约束情况下的穿戴者真实的意图变化，制约了外骨骼控制的人机协调性。
在下肢运动信号的特征值提取方面，主要分为时域和频域特征提取方法。时域特征能够有效反映数据峰值变化的特征，多用于路况识别[13-15]；频域特征能够更好地反映频率变化的特征，能更好地应用于步速识别中。Preece等[16]对下肢加速度信号进行了时域与频域分析，结果显示时域分析不如频率特征准确。上述文献具体研究了特征值的提取方法，充分考虑了信号类别与分类模式对特征值提取方法的影响，在不同的分类模式下结合了信号的实际特性，选取差别较为明显的特征值作为提取方法，可以显著提高最终的识别效果。
在识别算法方面，隐马尔科夫模型（hidden Markov model，HMM）在行走运动的路况和动作识别方面有较好的优势[17-21]。赵丽娜等[22]根据人体运动规律特点，将HMM模型引入下肢运动意图识别中，结合加速度和足底压力信号实现了人体运行步态的预识别。支持向量机（support vector machine，SVM）在处理小模型样本和运动意图分类中有很好的分类效果。然而在运动状态识别中，仅使用SVM方法具有一定缺陷，不能识别过渡状态，因此需要将SVM与其他方法进行结合，以提高过渡状态下的识别精度。Zheng等[14]通过SVM方法对下肢运动状态进行识别，为减少运动状态转换过程中识别错误的问题，引入了二次判别分析(quadratic discriminant analysis，QDA)方法，用于识别状态过渡阶段的运动模式。
本文采用加速度和角速度信号作为识别信号，提出了使用惯性传感器信息的下肢外骨骼穿戴者步速预测方法。根据大腿处和小腿处惯性传感器的三轴加速度和角速度信号与人-机约束力信号，提取惯性数据的频域信号作为分类的特征值，采用SVM-HMM方法对特征值进行识别。使用当前时刻前0.5 s的传感器信息进行分类识别，并且结合步速变化规律与人-机约束力信号，用于预测当前时刻的步速大小。本研究旨在考虑机械装置约束作用下准确的步速意图，使用上述方法解决误识别结果突变的问题，以期将预测结果应用于外骨骼控制系统中，使得人机协调控制效果更加流畅。
1 惯性传感器数据采集与处理
1.1 信号采集与降噪处理
本文采用稳定性强、可重复性高的生物力学信号进行外骨骼穿戴者步速意图的识别，使用惯性传感器分别采集大腿处与小腿处的X、Y、Z轴加速度信号和角速度信号作为穿戴者步速意图识别的依据。
由于外骨骼机械装置的约束性作用，穿戴者的步速意图可能与实际行走所表现出的步速不同，体现在穿戴者有加速或减速意图时，在机械结构的约束作用下仅使用惯性传感器信号无法描述该意图。因此为准确分析外骨骼穿戴者的步速意图，考虑到外骨骼装置对穿戴者的约束影响，本文使用小腿与外骨骼机械装置之间的弹簧-压力传感器结构补偿穿戴者步速意图识别的缺陷。
本研究采用Trigno无线采集系统采集惯性信号，采样频率100 Hz，每一个模块均可同时采集三轴加速度与角速度信号，如图1a所示；采用弹簧-压力传感系统采集人-机约束力信号，该模块用于测量穿戴者小腿与外骨骼捆绑处的压力值，使用RP-C电阻式压敏传感器，测量范围0～60 N，如图1b所示。
图1
数据采集传感器
a. 惯性传感器；b. 弹簧-压力传感器
Figure1. The sensors of data acquisitiona. inertial sensor; b. spring-pressure sensor
为了充分保护受试者权益，本研究通过了医学实验伦理审查。共招募受试者10名，男生5名，女生5名，身高在155～185 cm之间，体重在50～78 kg之间,年龄20～30岁，身体四肢无残疾，能够适应并在跑步机上平稳行走。安装可穿戴传感器设备，试验中的信息仅在可变速跑步机上进行采集。按照图2所示，将惯性传感器1放置于穿戴者大腿外侧处，采集大腿处的姿态信号；将惯性传感器2放置于穿戴者小腿外侧处，采集小腿处的姿态信号；将弹簧-压力传感器放置于穿戴者小腿与外骨骼捆绑处之间，采集人-机约束力信号；X轴正方向为垂直地面向上的方向，Y轴正方向为人体行走的反方向，Z轴正方向由右手定则判定。
图2
惯性传感器穿戴及数据采集示意图
Figure2.
The schematic diagram of inertial sensor wearing posi tion and data collection
进行数据采集时，为保证行走速度的准确性与稳定性，外骨骼穿戴者在跑步机上分别以3.0、3.3、3.6、3.9、4.2、4.5、4.8 km/h的速度行走，稳定行走1 min后，开始采集七种步速下的传感器数据，此时采集的信号是步速意图没有变化时的信号；然后通过突然提高或降低跑步机运行速度，使穿戴者有加速或减速意图并采集有步速变化时的传感器数据，此时采集的信号是在步速意图变化情况下的信号。将上述传感器采集到的信息进行存储，作为原始数据。
由于外骨骼装置在行走中的振动使得采集信号含有未知的噪声，本文使用小波降噪法去除原始传感器采集的信号噪声[23]，以利于后续的特征值提取和特征识别。采用小波db7作为基波，进行了5层小波分解。然后对1至5层的高频系数进行相应的量化处理，得到新的系数。根据分解得到的5阶低频系数和通过阈值处理后的每层高频系数进行重构，实现信号的去噪。以大腿处的X轴方向加速度信号为例，图3为某一段时间内大腿处的X轴方向加速度信号的原始信号与滤波后的信号，其中虚线为传感器采集的原始信号，实线为经过小波降噪后的信号。可以明显看出经过滤波的信号具有较好的周期性，有利于之后的数据分析。
图3
大腿处X 轴加速度信号滤波
Figure3.
The filtered acceleration signal of the thigh in X-axis
穿戴者在稳定步速行走情况下与步速意图变化情况下的人-机约束力信号如图4所示，以3.0 km/h的速度平稳行走与从3.0 km/h加速到3.6 km/h为例，测量一段时间内人-机约束力的变化。从图中可以看出，当穿戴者在没有步速意图变化时，约束力在某一范围内波动，当有意图变化时，约束力的变化范围超出稳定行走时的范围。在之后的意图识别中充分将该现象引入识别模型中，以提高意图识别的准确性。
图4
步速意图无变化与意图变化下的压力信号对比图
Figure4.
The comparison of pressure signals between no change in intention and change in intention
1.2 信号的特征分析与特征值的提取
对于可穿戴传感器产生的数据流信号，应对其进行数据分割，提取阶段性的有效数据。采用基于时间窗口的数据分割方法，利用重叠50%的滑动时间窗口，窗口期0.5 s即截取50帧的数据信号。人体行走一个周期的时间为1～2 s，因此选取0.5 s为滑动窗口，并结合重叠50%的窗口值，可以保证每一帧数据有两次的使用效率，既不会造成数据浪费，又不会产生数据丢失的情况。在数据采集时，以当前时刻为节点，截取前0.5 s的数据作为滑动窗口 
：
 |
式中m为当前窗口数；Tt为传感器的数据，角标为当前的帧数值，l表示窗口的大小。由于截取了当前时刻前0.5 s的数据，因此窗口包含50帧的数据量，l = 50。
当取下一个窗口时，t经过50帧后再取前50帧的数据作为滑动窗口 
，以此取得重复覆盖率为50%的窗口。
信号的特征值选取一般分为时域和频域方法，以Y方向大腿处的加速度信号为例比较时域信号和频域信号，如图5所示。
图5
时域与频域信号对比图
Figure5.
The comparison of time domain and frequency domain signal
本文在时域信号特征值提取中通常从最大值、最小值、均值和方差四个特征进行观察，从图5中左图可以看出不同步速下的上述特征变化差异并不明显，如最大值均在0 ～ − 0.5 g间，最小值均在− 0.5 ～ − 1.0 g间；而图5中右图可以看出在不同步速下信号所包含的频率幅值不同，可以直观地纵向对比。因此，从图5中可以看出，在不同步速下时域信号的特征值不如频域信号的特征值变化明显，最终选用提取快速傅里叶变换（fast Fourier transform，FFT）系数作为特征值。使用了两个传感器的六维信号（三轴加速度和三轴角速度）构成了12维的数据信号，每个时间窗口分别提取前5阶的FFT系数为特征值，最终使用5 × 12的系数矩阵组成了60维的特征向量，使用该特征向量作为步速意图识别模型的输入样本。
2 SVM-HMM模型
SVM-HMM模型是由SVM和HMM两部分组成，SVM是一种非线性可分问题的模型，HMM是一种统计学分析模型，利用状态转移矩阵和观测概率矩阵，分析出观察值的概率并进行判断。由于HMM的隐状态之间的概率转换不能直接观察，所以利用SVM先对样本进行离线识别，求出观察概率矩阵，再通过HMM结合行走规律性特征与步速意图变化规律，通过前向后向算法得到观察值的概率，对步速意图进行预测，利用该模型可有效提高识别效率。
2.1 SVM模型
SVM是一种使用小样本数据量进行识别的分类方法，并已经在下肢运动识别中有很广泛的应用。将由加速度与角速度信号的特征值组成的特征向量作为样本，通过内积核函数定义的非线性变换寻找最优分类面，使训练样本与分类面距离最大。最优分类超平面表达式如下：
 |
其中ω为权值向量；C为惩罚参数，用于控制错分样本的惩罚控制；ξi为松弛变量且ξi ≥ 0。对于非线性可分问题，使用核函数的方法，可将样本空间映射到线性可分的空间，因此选用合适的核函数是SVM的关键。本文采用径向基核函数又称高斯核函数，其表达式如下：
 |
其中g为核半径。惩罚参数C和核半径g是根据训练样本的数据自动搜索调整得到的最优参数。将初始C和g的范围代入调试，以固定步长进行迭代调整以得到最优的参数[24]。
2.2 HMM模型
隐马尔科夫模型是一种统计分析模型，用于解决事物间双重随机性关系问题。最早提出时主要用于语音识别技术，随着传感器技术的发展，也开始广泛应用于人体运动意图识别[25]。根据行走过程中前后两步步速变化的规律性特点，调整HMM中的状态转移矩阵，用于表示前后两步之间的步速转换模型。
隐马尔科夫模型使用五元组表示：
 |
N表示隐态模组数；M表示每个状态可能输出的观察数目；根据需要识别的步速范围，将隐态S分为3.0、3.3、3.6、3.9、4.2、4.5、4.8 km/h七个步速状态，状态 
，步速的变化只存在于七种步速下的转换，因此N = M = 7，表示隐状态为七种观察状态。
Π表示初始概率矩阵，即第一种步速被选择的概率，由于初始步速是不确定的，使用均匀分布作为初始概率。
 |
A为状态转移概率矩阵，表示当前状态Si转换为下一状态Sj的概率。
 |
式中qt表示为在当前时刻下的状态，qt+1表示为下一时刻下的状态，aij表示为矩阵A的第i行第j列元素。
通过对行走特征的判断结合行走变化规律，步速变换是连续的，且下一时刻的步速跟当前时刻的步速有很强的关联性，将状态转移概率用正态分布的形式计算，来模拟连续行走时的步速转换，以此使得预测结果更接近真实状态。
Ai为A的某一行，表示为当前步速状态转移为下一步速状态的概率，服从标准正态分布。
 |
其均值处的状态为当前步速值状态，因此下一步速状态的概率最大值处的状态位于当前步速值状态处。另外在均值概率最大的状态处增加了偏移因子项k，以修正穿戴者非正常加速情况下的状态转移矩阵。改进后的状态转移矩阵每一行Ai为：
 |
计算得到状态转移概率如下式：
 |
偏移因子k是由安装在穿戴者小腿与外骨骼捆绑处的压力信号决定的。由于穿戴者与外骨骼机械装置的约束作用，导致穿戴者的意图会因机械装置的约束或电机执行机构的惯性滞后而削弱或改变，因此单独使用惯性传感器不能很好地描述步速意图。本方法使用安装在穿戴者小腿与绑腿之间的弹簧-压力传感器来体现真实的穿戴者步速意图。当穿戴者的步速意图有变化时，首先通过弹簧装置将人-机之间的压力信号作用到压力传感器上，一般情况下外骨骼与人处于相互协调的状态，压力信号为零或零附近的范围内，k取值为零，然而在穿戴者有加速或减速意图的情况下，通过图4可以看出压力信号会发生突变，F表示当前时刻的压力值，通过测量将F进行量化，量化刻度为α，则k的计算如下：
 |
在上式中求得k的值后代入公式(8)～(9)中，若i + k超出范围，就取其边缘值。
B为状态Si的观测概率分布矩阵，表示状态为Si时输出为观察状态Vj时的概率。
 |
式中ot表示为在当前时刻下的观察状态，bij表示为矩阵B的第i行第j列元素，bij是由SVM输出模型建立的，使用离线SVM识别方法，计算出当前状态为Si时，SVM模型识别为观察状态Vj时的概率。
HMM模型的求解是使用维特比算法（前向后向算法），先使用状态转移矩阵A前向计算概率，再利用观测概率矩阵B后向计算，求出下一时刻每个状态的最大概率。
前向概率计算公式如下：
 |
后向概率计算公式如下：
 |
求得状态o在状态Si下的最大概率，那么该状态o为该模型最终预测的步速结果。
3 模型的训练与识别结果
本文将SVM与HMM结合作为识别模型，先以SVM模型离线训练，将其识别结果的混淆矩阵作为HMM的观测概率矩阵B，进而得到SVM-HMM的步速预测模型，在线预测时使用SVM进行识别，然后将识别结果通过HMM分析最终得到步速预测结果，其步速识别过程如图6所示。
图6
SVM-HMM步速预测模型流程图
Figure6.
The flow chart of SVM-HMM pace prediction model
外骨骼穿戴者在跑步机上分别以七种不同的速度行走，每种步速下采集250个窗口作为样本，共1 750组样本。以每种步速下200个窗口的数据作为训练样本，每种步速下50个窗口的数据作为测试样本。求得SVM离线识别结果如表1所示。
表1
SVM模型离线识别混淆矩阵
Table1.
The confusion matrix of SVM model offline recognition
从表1中可以看出，由信号干扰和外骨骼机械结构的约束性等问题引起的误识别结果的出现是随机的，即会出现由高速状态突然识别到低速状态的情况。将该识别结果统计为观测概率矩阵B样式：
 |
另外根据式(8)～(9)(k=0的情况下)可以得出状态转移矩阵A为：
 |
将状态转移矩阵A和观测概率矩阵B代入式(4)中的HMM模型中，即得到完整的SVM-HMM模型。然后对该模型进行在线识别测试，穿戴者以每种固定的速度行走，再采集每组连续的20个新窗口的数据即140组样本进行识别。先使用SVM在线识别，再使用HMM模型对该结果进行观测状态的计算与判断，最终得到预测的步速状态。结果如表2所示，平均识别率达到了92.14%。表2中的数据为整体的识别，而穿戴者的行走是连续的，连续行走的识别结果如图7所示。
表2
SVM-HMM模型在线识别混淆矩阵
Table2.
The confusion matrix of SVM-HMM model online recogni tion
图7
连续行走下SVM-HMM模型预测结果
Figure7.
The prediction results of SVM-HMM model under conti nuous walking
从图7中可以明显看出，误识别的结果仅在其相邻的一个状态中，在识别结果不是很精确的前提下，最大误差范保持在0.3 km/h以内，整体识别率为92.14%，比单独使用SVM算法识别步速意图更为准确。当连续行走20个窗口时，此时为平稳行走，有较好的识别效果。由于步速的变化并非经常出现，本文方法的主要作用为平稳变化时步速的识别，并且降低误识别结果与真实结果相差较大的概率。在识别结果图7中，可以看出在窗口20、40、60、80、100、120时，步速发生平稳的变化，可以实现步速的预测，并将所有的误差保持在一个相邻状态之间，从算法原理上解决了人-机之间的约束力对步速意图的影响，避免了将高速意图识别为低速意图或将低速意图识别为高速意图的情况。
4 结论
本文提出了一种基于SVM-HMM的外骨骼穿戴者下肢行走速度的识别方法，主要应用为下肢外骨骼穿戴者的步速意图识别。首先根据模式识别中行走的特征，提出并使用了SVM-HMM识别方法，把行走的步速分为了七种步速状态。接着穿戴者在跑步机上以七种步速行走，采集粘贴在大腿和小腿外侧处的加速度和角速度信号和小腿处弹簧-压力传感器的人-机约束力信号。然后提取了加速度信号与角速度信号的FFT系数做特征值，使用SVM-HMM模型用于对当前时刻的步速预测。最后试验结果表明，步速识别率达到92.14%。根据行走的规律和人-机约束力的变化改进了HMM的状态转移矩阵，更加准确地描述了穿戴者的步速意图变化。最终使得误识别结果的范围均保持在一个步速状态之内。而传统的步速识别方法没有考虑到人-机约束力对穿戴者步速意图的影响，使识别结果与正确结果之间出现相差很大的情况，导致结果突变，最终会对之后的控制产生巨大的影响。
本文从识别算法的原理上进行改进，同时使用惯性信号和约束力信号进行步速意图识别，能更好地识别出步速意图，避免了识别状态与步速意图相差巨大的情况，并使识别精度明显提高，基本解决了识别结果突变与识别意图不准确的情况。
重要声明
利益冲突声明：本文全体作者均声明不存在利益冲突。
作者贡献声明：胡冬进行实验设计、数据收集、数据分析和论文写作工作；刘作军、陈玲玲参与实验设计和论文写作工作；王倩参与数据收集、数据分析工作。
伦理声明：本研究通过了河北工业大学生物医学伦理委员会的审批（批文编号：HEBUThMEC2020008）。
引言
下肢外骨骼机器人是一种以人机协同为主的一体化装置，尤其是在军事和康复辅具方面有丰富的应用背景[1]。目前，按其应用背景将下肢外骨骼机器人分为两类，负重型外骨骼和康复校正型外骨骼。通过将人与机器相结合的方式，使外骨骼机器人起到支撑、助力和保护的作用[2-4]。
为了保证穿戴者与外骨骼装置行走的协调性，文献[5-7]充分研究了不同步速下的外骨骼控制策略，将外骨骼行走的速度进行了划分并以此来实现人机的步速匹配，充分说明了步速意图的提前感知是人机步速匹配的重要前提。外骨骼穿戴者的步速意图识别能够提前感知穿戴者的步速变化，并使外骨骼作出相应的协同控制，使得外骨骼穿戴者行走更加稳定、流畅和自然。
一般情况下，人体运动步速意图通常基于生物电信号（肌电信号、脑电信号等）和生物力学信号（加速度计信号、陀螺仪信号和压力传感器信号等）进行识别[8-9]。Choi等[10]提出一种基于肌电信号预测摆动相步速的识别方法，以信号波长的平方根值做特征值，使用线性回归方法进行建模，解决了因模型在低速时性能不好而造成速度预测不准确的问题。但由于肌电信号采集设备的昂贵和采集信号的微弱，而且肌电信号还含有很多噪声，使得它在意图识别的应用中受到了很大的限制。近年来随着微型惯性传感器的性能逐步提高和成本普遍降低，惯性传感器逐步引入了步速识别中。Jung等[11]使用人与外骨骼之间的压力传感器测得行走过程中相互作用力，用于估算穿戴者预期的步行速度，然后基于估计的步行速度，选择合理的参考轨迹，用于最终的控制策略中。Song等[12]根据三轴加速度计传感器进行速度估计，使用神经网络模型根据对象的状态估计步幅，用估计的步幅长度除以测得的时间计算步速。使用该方法不需要传感器的校正就可以对步数、移动距离以及步速进行有效估计。但是由于时间是通过测量得到的，其速度的估计是在发生行走动作后完成的，不能实现步速的预测功能。外骨骼人-机行走的速度是穿戴者通过克服与机器之间的相互作用力体现出来的，由于存在外骨骼机械结构的约束和电机执行机构的惯性延迟，最终造成其与穿戴者真实的行走意图有所差别。上述文献中的步速意图均没有考虑在外骨骼装置约束情况下的穿戴者真实的意图变化，制约了外骨骼控制的人机协调性。
在下肢运动信号的特征值提取方面，主要分为时域和频域特征提取方法。时域特征能够有效反映数据峰值变化的特征，多用于路况识别[13-15]；频域特征能够更好地反映频率变化的特征，能更好地应用于步速识别中。Preece等[16]对下肢加速度信号进行了时域与频域分析，结果显示时域分析不如频率特征准确。上述文献具体研究了特征值的提取方法，充分考虑了信号类别与分类模式对特征值提取方法的影响，在不同的分类模式下结合了信号的实际特性，选取差别较为明显的特征值作为提取方法，可以显著提高最终的识别效果。
在识别算法方面，隐马尔科夫模型（hidden Markov model，HMM）在行走运动的路况和动作识别方面有较好的优势[17-21]。赵丽娜等[22]根据人体运动规律特点，将HMM模型引入下肢运动意图识别中，结合加速度和足底压力信号实现了人体运行步态的预识别。支持向量机（support vector machine，SVM）在处理小模型样本和运动意图分类中有很好的分类效果。然而在运动状态识别中，仅使用SVM方法具有一定缺陷，不能识别过渡状态，因此需要将SVM与其他方法进行结合，以提高过渡状态下的识别精度。Zheng等[14]通过SVM方法对下肢运动状态进行识别，为减少运动状态转换过程中识别错误的问题，引入了二次判别分析(quadratic discriminant analysis，QDA)方法，用于识别状态过渡阶段的运动模式。
本文采用加速度和角速度信号作为识别信号，提出了使用惯性传感器信息的下肢外骨骼穿戴者步速预测方法。根据大腿处和小腿处惯性传感器的三轴加速度和角速度信号与人-机约束力信号，提取惯性数据的频域信号作为分类的特征值，采用SVM-HMM方法对特征值进行识别。使用当前时刻前0.5 s的传感器信息进行分类识别，并且结合步速变化规律与人-机约束力信号，用于预测当前时刻的步速大小。本研究旨在考虑机械装置约束作用下准确的步速意图，使用上述方法解决误识别结果突变的问题，以期将预测结果应用于外骨骼控制系统中，使得人机协调控制效果更加流畅。
1 惯性传感器数据采集与处理
1.1 信号采集与降噪处理
本文采用稳定性强、可重复性高的生物力学信号进行外骨骼穿戴者步速意图的识别，使用惯性传感器分别采集大腿处与小腿处的X、Y、Z轴加速度信号和角速度信号作为穿戴者步速意图识别的依据。
由于外骨骼机械装置的约束性作用，穿戴者的步速意图可能与实际行走所表现出的步速不同，体现在穿戴者有加速或减速意图时，在机械结构的约束作用下仅使用惯性传感器信号无法描述该意图。因此为准确分析外骨骼穿戴者的步速意图，考虑到外骨骼装置对穿戴者的约束影响，本文使用小腿与外骨骼机械装置之间的弹簧-压力传感器结构补偿穿戴者步速意图识别的缺陷。
本研究采用Trigno无线采集系统采集惯性信号，采样频率100 Hz，每一个模块均可同时采集三轴加速度与角速度信号，如图1a所示；采用弹簧-压力传感系统采集人-机约束力信号，该模块用于测量穿戴者小腿与外骨骼捆绑处的压力值，使用RP-C电阻式压敏传感器，测量范围0～60 N，如图1b所示。
图1
数据采集传感器
a. 惯性传感器；b. 弹簧-压力传感器
Figure1. The sensors of data acquisitiona. inertial sensor; b. spring-pressure sensor
为了充分保护受试者权益，本研究通过了医学实验伦理审查。共招募受试者10名，男生5名，女生5名，身高在155～185 cm之间，体重在50～78 kg之间,年龄20～30岁，身体四肢无残疾，能够适应并在跑步机上平稳行走。安装可穿戴传感器设备，试验中的信息仅在可变速跑步机上进行采集。按照图2所示，将惯性传感器1放置于穿戴者大腿外侧处，采集大腿处的姿态信号；将惯性传感器2放置于穿戴者小腿外侧处，采集小腿处的姿态信号；将弹簧-压力传感器放置于穿戴者小腿与外骨骼捆绑处之间，采集人-机约束力信号；X轴正方向为垂直地面向上的方向，Y轴正方向为人体行走的反方向，Z轴正方向由右手定则判定。
图2
惯性传感器穿戴及数据采集示意图
Figure2.
The schematic diagram of inertial sensor wearing posi tion and data collection
进行数据采集时，为保证行走速度的准确性与稳定性，外骨骼穿戴者在跑步机上分别以3.0、3.3、3.6、3.9、4.2、4.5、4.8 km/h的速度行走，稳定行走1 min后，开始采集七种步速下的传感器数据，此时采集的信号是步速意图没有变化时的信号；然后通过突然提高或降低跑步机运行速度，使穿戴者有加速或减速意图并采集有步速变化时的传感器数据，此时采集的信号是在步速意图变化情况下的信号。将上述传感器采集到的信息进行存储，作为原始数据。
由于外骨骼装置在行走中的振动使得采集信号含有未知的噪声，本文使用小波降噪法去除原始传感器采集的信号噪声[23]，以利于后续的特征值提取和特征识别。采用小波db7作为基波，进行了5层小波分解。然后对1至5层的高频系数进行相应的量化处理，得到新的系数。根据分解得到的5阶低频系数和通过阈值处理后的每层高频系数进行重构，实现信号的去噪。以大腿处的X轴方向加速度信号为例，图3为某一段时间内大腿处的X轴方向加速度信号的原始信号与滤波后的信号，其中虚线为传感器采集的原始信号，实线为经过小波降噪后的信号。可以明显看出经过滤波的信号具有较好的周期性，有利于之后的数据分析。
图3
大腿处X 轴加速度信号滤波
Figure3.
The filtered acceleration signal of the thigh in X-axis
穿戴者在稳定步速行走情况下与步速意图变化情况下的人-机约束力信号如图4所示，以3.0 km/h的速度平稳行走与从3.0 km/h加速到3.6 km/h为例，测量一段时间内人-机约束力的变化。从图中可以看出，当穿戴者在没有步速意图变化时，约束力在某一范围内波动，当有意图变化时，约束力的变化范围超出稳定行走时的范围。在之后的意图识别中充分将该现象引入识别模型中，以提高意图识别的准确性。
图4
步速意图无变化与意图变化下的压力信号对比图
Figure4.
The comparison of pressure signals between no change in intention and change in intention
1.2 信号的特征分析与特征值的提取
对于可穿戴传感器产生的数据流信号，应对其进行数据分割，提取阶段性的有效数据。采用基于时间窗口的数据分割方法，利用重叠50%的滑动时间窗口，窗口期0.5 s即截取50帧的数据信号。人体行走一个周期的时间为1～2 s，因此选取0.5 s为滑动窗口，并结合重叠50%的窗口值，可以保证每一帧数据有两次的使用效率，既不会造成数据浪费，又不会产生数据丢失的情况。在数据采集时，以当前时刻为节点，截取前0.5 s的数据作为滑动窗口 ：
|
式中m为当前窗口数；Tt为传感器的数据，角标为当前的帧数值，l表示窗口的大小。由于截取了当前时刻前0.5 s的数据，因此窗口包含50帧的数据量，l = 50。
当取下一个窗口时，t经过50帧后再取前50帧的数据作为滑动窗口 ，以此取得重复覆盖率为50%的窗口。
信号的特征值选取一般分为时域和频域方法，以Y方向大腿处的加速度信号为例比较时域信号和频域信号，如图5所示。
图5
时域与频域信号对比图
Figure5.
The comparison of time domain and frequency domain signal
本文在时域信号特征值提取中通常从最大值、最小值、均值和方差四个特征进行观察，从图5中左图可以看出不同步速下的上述特征变化差异并不明显，如最大值均在0 ～ − 0.5 g间，最小值均在− 0.5 ～ − 1.0 g间；而图5中右图可以看出在不同步速下信号所包含的频率幅值不同，可以直观地纵向对比。因此，从图5中可以看出，在不同步速下时域信号的特征值不如频域信号的特征值变化明显，最终选用提取快速傅里叶变换（fast Fourier transform，FFT）系数作为特征值。使用了两个传感器的六维信号（三轴加速度和三轴角速度）构成了12维的数据信号，每个时间窗口分别提取前5阶的FFT系数为特征值，最终使用5 × 12的系数矩阵组成了60维的特征向量，使用该特征向量作为步速意图识别模型的输入样本。
2 SVM-HMM模型
SVM-HMM模型是由SVM和HMM两部分组成，SVM是一种非线性可分问题的模型，HMM是一种统计学分析模型，利用状态转移矩阵和观测概率矩阵，分析出观察值的概率并进行判断。由于HMM的隐状态之间的概率转换不能直接观察，所以利用SVM先对样本进行离线识别，求出观察概率矩阵，再通过HMM结合行走规律性特征与步速意图变化规律，通过前向后向算法得到观察值的概率，对步速意图进行预测，利用该模型可有效提高识别效率。
2.1 SVM模型
SVM是一种使用小样本数据量进行识别的分类方法，并已经在下肢运动识别中有很广泛的应用。将由加速度与角速度信号的特征值组成的特征向量作为样本，通过内积核函数定义的非线性变换寻找最优分类面，使训练样本与分类面距离最大。最优分类超平面表达式如下：
|
其中ω为权值向量；C为惩罚参数，用于控制错分样本的惩罚控制；ξi为松弛变量且ξi ≥ 0。对于非线性可分问题，使用核函数的方法，可将样本空间映射到线性可分的空间，因此选用合适的核函数是SVM的关键。本文采用径向基核函数又称高斯核函数，其表达式如下：
|
其中g为核半径。惩罚参数C和核半径g是根据训练样本的数据自动搜索调整得到的最优参数。将初始C和g的范围代入调试，以固定步长进行迭代调整以得到最优的参数[24]。
2.2 HMM模型
隐马尔科夫模型是一种统计分析模型，用于解决事物间双重随机性关系问题。最早提出时主要用于语音识别技术，随着传感器技术的发展，也开始广泛应用于人体运动意图识别[25]。根据行走过程中前后两步步速变化的规律性特点，调整HMM中的状态转移矩阵，用于表示前后两步之间的步速转换模型。
隐马尔科夫模型使用五元组表示：
|
N表示隐态模组数；M表示每个状态可能输出的观察数目；根据需要识别的步速范围，将隐态S分为3.0、3.3、3.6、3.9、4.2、4.5、4.8 km/h七个步速状态，状态 ，步速的变化只存在于七种步速下的转换，因此N = M = 7，表示隐状态为七种观察状态。
Π表示初始概率矩阵，即第一种步速被选择的概率，由于初始步速是不确定的，使用均匀分布作为初始概率。
|
A为状态转移概率矩阵，表示当前状态Si转换为下一状态Sj的概率。
|
式中qt表示为在当前时刻下的状态，qt+1表示为下一时刻下的状态，aij表示为矩阵A的第i行第j列元素。
通过对行走特征的判断结合行走变化规律，步速变换是连续的，且下一时刻的步速跟当前时刻的步速有很强的关联性，将状态转移概率用正态分布的形式计算，来模拟连续行走时的步速转换，以此使得预测结果更接近真实状态。
Ai为A的某一行，表示为当前步速状态转移为下一步速状态的概率，服从标准正态分布。
|
其均值处的状态为当前步速值状态，因此下一步速状态的概率最大值处的状态位于当前步速值状态处。另外在均值概率最大的状态处增加了偏移因子项k，以修正穿戴者非正常加速情况下的状态转移矩阵。改进后的状态转移矩阵每一行Ai为：
|
计算得到状态转移概率如下式：
|
偏移因子k是由安装在穿戴者小腿与外骨骼捆绑处的压力信号决定的。由于穿戴者与外骨骼机械装置的约束作用，导致穿戴者的意图会因机械装置的约束或电机执行机构的惯性滞后而削弱或改变，因此单独使用惯性传感器不能很好地描述步速意图。本方法使用安装在穿戴者小腿与绑腿之间的弹簧-压力传感器来体现真实的穿戴者步速意图。当穿戴者的步速意图有变化时，首先通过弹簧装置将人-机之间的压力信号作用到压力传感器上，一般情况下外骨骼与人处于相互协调的状态，压力信号为零或零附近的范围内，k取值为零，然而在穿戴者有加速或减速意图的情况下，通过图4可以看出压力信号会发生突变，F表示当前时刻的压力值，通过测量将F进行量化，量化刻度为α，则k的计算如下：
|
在上式中求得k的值后代入公式(8)～(9)中，若i + k超出范围，就取其边缘值。
B为状态Si的观测概率分布矩阵，表示状态为Si时输出为观察状态Vj时的概率。
|
式中ot表示为在当前时刻下的观察状态，bij表示为矩阵B的第i行第j列元素，bij是由SVM输出模型建立的，使用离线SVM识别方法，计算出当前状态为Si时，SVM模型识别为观察状态Vj时的概率。
HMM模型的求解是使用维特比算法（前向后向算法），先使用状态转移矩阵A前向计算概率，再利用观测概率矩阵B后向计算，求出下一时刻每个状态的最大概率。
前向概率计算公式如下：
|
后向概率计算公式如下：
|
求得状态o在状态Si下的最大概率，那么该状态o为该模型最终预测的步速结果。
3 模型的训练与识别结果
本文将SVM与HMM结合作为识别模型，先以SVM模型离线训练，将其识别结果的混淆矩阵作为HMM的观测概率矩阵B，进而得到SVM-HMM的步速预测模型，在线预测时使用SVM进行识别，然后将识别结果通过HMM分析最终得到步速预测结果，其步速识别过程如图6所示。
图6
SVM-HMM步速预测模型流程图
Figure6.
The flow chart of SVM-HMM pace prediction model
外骨骼穿戴者在跑步机上分别以七种不同的速度行走，每种步速下采集250个窗口作为样本，共1 750组样本。以每种步速下200个窗口的数据作为训练样本，每种步速下50个窗口的数据作为测试样本。求得SVM离线识别结果如表1所示。
表1
SVM模型离线识别混淆矩阵
Table1.
The confusion matrix of SVM model offline recognition
从表1中可以看出，由信号干扰和外骨骼机械结构的约束性等问题引起的误识别结果的出现是随机的，即会出现由高速状态突然识别到低速状态的情况。将该识别结果统计为观测概率矩阵B样式：
|
另外根据式(8)～(9)(k=0的情况下)可以得出状态转移矩阵A为：
|
将状态转移矩阵A和观测概率矩阵B代入式(4)中的HMM模型中，即得到完整的SVM-HMM模型。然后对该模型进行在线识别测试，穿戴者以每种固定的速度行走，再采集每组连续的20个新窗口的数据即140组样本进行识别。先使用SVM在线识别，再使用HMM模型对该结果进行观测状态的计算与判断，最终得到预测的步速状态。结果如表2所示，平均识别率达到了92.14%。表2中的数据为整体的识别，而穿戴者的行走是连续的，连续行走的识别结果如图7所示。
表2
SVM-HMM模型在线识别混淆矩阵
Table2.
The confusion matrix of SVM-HMM model online recogni tion
图7
连续行走下SVM-HMM模型预测结果
Figure7.
The prediction results of SVM-HMM model under conti nuous walking
从图7中可以明显看出，误识别的结果仅在其相邻的一个状态中，在识别结果不是很精确的前提下，最大误差范保持在0.3 km/h以内，整体识别率为92.14%，比单独使用SVM算法识别步速意图更为准确。当连续行走20个窗口时，此时为平稳行走，有较好的识别效果。由于步速的变化并非经常出现，本文方法的主要作用为平稳变化时步速的识别，并且降低误识别结果与真实结果相差较大的概率。在识别结果图7中，可以看出在窗口20、40、60、80、100、120时，步速发生平稳的变化，可以实现步速的预测，并将所有的误差保持在一个相邻状态之间，从算法原理上解决了人-机之间的约束力对步速意图的影响，避免了将高速意图识别为低速意图或将低速意图识别为高速意图的情况。
4 结论
本文提出了一种基于SVM-HMM的外骨骼穿戴者下肢行走速度的识别方法，主要应用为下肢外骨骼穿戴者的步速意图识别。首先根据模式识别中行走的特征，提出并使用了SVM-HMM识别方法，把行走的步速分为了七种步速状态。接着穿戴者在跑步机上以七种步速行走，采集粘贴在大腿和小腿外侧处的加速度和角速度信号和小腿处弹簧-压力传感器的人-机约束力信号。然后提取了加速度信号与角速度信号的FFT系数做特征值，使用SVM-HMM模型用于对当前时刻的步速预测。最后试验结果表明，步速识别率达到92.14%。根据行走的规律和人-机约束力的变化改进了HMM的状态转移矩阵，更加准确地描述了穿戴者的步速意图变化。最终使得误识别结果的范围均保持在一个步速状态之内。而传统的步速识别方法没有考虑到人-机约束力对穿戴者步速意图的影响，使识别结果与正确结果之间出现相差很大的情况，导致结果突变，最终会对之后的控制产生巨大的影响。
本文从识别算法的原理上进行改进，同时使用惯性信号和约束力信号进行步速意图识别，能更好地识别出步速意图，避免了识别状态与步速意图相差巨大的情况，并使识别精度明显提高，基本解决了识别结果突变与识别意图不准确的情况。
重要声明
利益冲突声明：本文全体作者均声明不存在利益冲突。
作者贡献声明：胡冬进行实验设计、数据收集、数据分析和论文写作工作；刘作军、陈玲玲参与实验设计和论文写作工作；王倩参与数据收集、数据分析工作。
伦理声明：本研究通过了河北工业大学生物医学伦理委员会的审批（批文编号：HEBUThMEC2020008）。
