【技術實現步驟摘要】
本公開涉及運動特征識別，具體涉及一種下肢運動狀態識別模型訓練方法和下肢運動狀態識別方法。
技術介紹
1、隨著外骨骼機器人在軍事、工業、醫療等各個領域的應用日漸廣泛。為實現外骨骼更協調柔順的輔助人類動作，人類下肢運動狀態識別成為重要的研究領域。由于慣性測量單元本身的工作可靠性、便于獲取性、低重量、低功耗、低噪聲等優點，基于慣性測量單元測量數據的運動狀態識別是行業的主流技術之一。
2、目前，行業內已經提出多種慣性測量單元測量信號的下肢運動狀態識別方法，包括基于諸如支持向量機、隨機森林的機器學習模型識別方法，諸如基于卷積神經網絡、循環神經網絡的深度學習方法。但是這些方法在應對特定類型的下肢運動狀態(諸如上樓、下樓)識別仍會出現準確率和魯棒性較差，動作狀態識別切換不流暢的問題。
技術實現思路
1、為解決現有的下肢運動狀態識別對某些特定的下肢運動狀態識別準確度較差的問題，本公開實施例提供一種新的下肢運動狀態識別模型訓練方法和下肢運動狀態識別方法。
2、本公開實施例提供一種下肢運動狀態識別模型訓練方法，所述下肢運動狀態識別模型包括各種下肢運動狀態對應的二分類模型和結果決策模型；所述方法包括，
3、基于各種下肢運動狀態時采集的慣性測量信號分別確定對應的運動特征，將下肢運動狀態作為樣本數據的標簽，和對應的運動特征組成樣本數據，并利用所述樣本數據構建樣本數據集；
4、確定各種下肢運動狀態對應的二分類模型排序順序，并根據所述排序順序按照如下的s1-s2依
5、s1：獲取排序在前的下肢運動狀態對應的二分類模型處理運動特征得到的在前二分類結果；
6、s2：將當前目標下肢運動狀態對應的樣本數據中的運動特征和對應的在前二分類結果作為正樣本的輸入特征，將非當前目標下肢運動狀態對應的樣本數據中的運動特征和對應的在前二分類結果作為負樣本的輸入特征，對當前目標下肢運動狀態對應的二分類模型進行訓練，得到當前目標下肢運動狀態對應的二分類模型的模型參數和各個樣本數據的當前分類結果；
7、根據所有下肢運動狀態對應的二分類模型處理樣本數據得到的二分類結果和樣本數據的下肢運動狀態標簽對結果決策模型進行訓練，確定結果決策模型的模型參數。
8、可選的，所述確定各種下肢運動狀態對應的二分類模型排序順序，包括：
9、針對各種下肢運動狀態的樣本數據，確定各個運動特征與標簽的相關性得分，并根據所述相關性得分在所述運動特征中選擇預設數量、與所述樣本數據標簽相關性較高的選中相關特征；
10、針對各種下肢運動狀態的樣本數據，基于對應的選中相關特征和標簽進行初步回歸分析，確定各個運動狀態對應的回歸分析準確度結果；
11、將所述回歸分析準確度結果由優到差的順序作為各種下肢運動狀態對應的二分類模型排序順序。
12、可選的，所述基于各種下肢運動狀態時采集的慣性測量信號分別確定對應的運動特征，包括：
13、按照預設滑動時間窗和滑窗頻率分別對各種下肢運動狀態時采集的慣性測量信號進行滑窗取樣，得到在所述滑動時間窗內排序運動學特征序列和所述運動學特征序列的排序標識；
14、基于所述運動學特征序列確定所述運動特征，并將所述運動學特征序列的排序標識作為所述樣本數據的排序標識；
15、在排序在前的下肢運動狀態為持續性狀態的情況下，所述方法還包括：根據各個樣本數據的排序標識，獲取排序在前的下肢運動狀態對應的二分類模型處理在前樣本數據得到的在前歷史二分類結果；
16、所述將當前目標下肢運動狀態對應的樣本數據中的運動特征和對應的在前二分類結果作為正樣本的輸入特征，包括：將當前目標下肢運動狀態對應的樣本數據中的運動特征、對應的在前二分類結果、對應的在前歷史二分類結果作為正樣本的輸入特征；
17、所述將非當前目標下肢運動狀態對應的樣本數據中的運動特征和對應的在前二分類結果作為負樣本的輸入特征，包括：將非當前目標下肢運動狀態對應的樣本數據中的運動特征、對應的在前二分類結果、對應的在前歷史二分類結果作為負樣本的輸入特征。
18、可選的，在對當前目標下肢運動狀態對應的二分類模型進行訓練之前，所述方法還包括：
19、采用機器學習模型基于所述樣本數據的標簽和一種運動特征進行相關性分析，確定各種運動特征與當前目標下肢運動狀態的第一相關性評分；
20、在樣本數據集中隨機地選擇多個目標樣本，并確定正樣本中在一個運動特征維度與各個所述目標樣本最近的n個臨近正樣本，以及確定負樣本中在所述一個運動特征維度與各個所述目標樣本最近的n個臨近負樣本；
21、計算所述目標樣本與最近的n個臨近正樣本在所述一個運動特征維度的第一平均距離，以及計算所述目標樣本與最近的n個臨近負樣本在所述一個運動特征維度的第二平均距離，計算所述第一平均距離與所述第二平均距離的距離差值，并根據距離差值確定所述一個運動特征的第二相關性評分；
22、對各個運動特征對應的所述第一相關性評分和所述第二相關性評分進行加權求和，得到各個運動特征對應的綜合評分；
23、基于各個運動特征對應的綜合評分，確定用于表征當前目標下肢運動狀態的目標運動特征；
24、所述將當前目標下肢運動狀態對應的樣本數據中的運動特征和對應的在前二分類結果作為正樣本的輸入特征，將非當前目標下肢運動狀態對應的樣本數據中的運動特征和對應的在前二分類結果作為負樣本的輸入特征，對當前目標下肢運動狀態對應的二分類模型進行訓練，包括：
25、將當前目標下肢運動狀態對應的樣本數據中的目標運動特征和對應的在前二分類結果作為正樣本的輸入特征，將非當前目標下肢運動狀態對應的樣本數據中的目標運動特征和對應的在前二分類結果作為負樣本的輸入特征，對當前目標下肢運動狀態對應的二分類模型進行訓練。
26、可選的，所述根據距離差值確定所述一個運動特征的第二相關性評分，包括：
27、在所述距離差值為正值的情況下，在初始權重的基礎上進行調小處理，得到對應的調小權重；以及，
28、在所述距離差值為負值的情況下，在初始權重的基礎上進行調大處理，得到對應的調大權重；
29、求取所有調小權重和所述調大權重的平均值，作為所述一個運動特征的第二相關性評分。
30、可選的，所述基于各個運動特征對應的綜合評分，確定用于表征當前目標下肢運動狀態的目標運動特征，包括：
31、基于各個運動特征對應的綜合評分，確定待選運動特征；
32、對所述待選運動特征進行相關性，確定不相關運動特征和相關運動特征，并在所述相關運動特征中確定選定相關運動特征；
33、將所述不相關運動特征和所述選定相關運動特征作為表征目標下肢運動狀態的目標運動特征；或者，
本文檔來自技高網...【技術保護點】
1.一種下肢運動狀態識別模型訓練方法，其特征在于，所述下肢運動狀態識別模型包括各種下肢運動狀態對應的二分類模型和結果決策模型；所述方法包括，
2.根據權利要求1所述的訓練方法，其特征在于，所述確定各種下肢運動狀態對應的二分類模型排序順序，包括：
3.根據權利要求1所述的訓練方法，其特征在于，所述基于各種下肢運動狀態時采集的慣性測量信號分別確定對應的運動特征，包括：
4.根據權利要求1-3任一項所述的訓練方法，其特征在于，在對當前目標下肢運動狀態對應的二分類模型進行訓練之前，所述方法還包括：
5.根據權利要求4所述的訓練方法，其特征在于，所述根據距離差值確定所述一個運動特征的第二相關性評分，包括：
6.根據權利要求4所述的訓練方法，其特征在于，所述基于各個運動特征對應的綜合評分，確定用于表征當前目標下肢運動狀態的目標運動特征，包括：
7.根據權利要求4所述的訓練方法，其特征在于，所述采用機器學習模型基于所述樣本數據的標簽和一種運動特征進行相關性分析，確定各種運動特征與當前目標下肢運動狀態的第一相關性評分，包括：
8.根據權利要求1-3任一項所述的訓練方法，其特征在于，所述對當前目標下肢運動狀態對應的二分類模型進行訓練，得到當前目標下肢運動狀態對應的二分類模型的模型參數和各個樣本數據的當前分類結果，包括：對當前目標下肢運動狀態對應的各種類型的二分類模型分別進行訓練，得到各種類型的二分類模型的模型參數，并確定各種類型的二分類模型的模型質量評分；
9.一種下肢運動狀態識別方法，其特征在于，包括：
10.一種計算設備，其特征在于，包括處理器和存儲器，所述存儲器用于存儲計算機程序；所述計算機程序在被所述處理器加載時，使所述處理器執行如權利要求1-8任一項所述的下肢運動狀態識別模型訓練方法和/或如權利要求9所述的下肢運動狀態識別方法。
...【技術特征摘要】
1.一種下肢運動狀態識別模型訓練方法，其特征在于，所述下肢運動狀態識別模型包括各種下肢運動狀態對應的二分類模型和結果決策模型；所述方法包括，
2.根據權利要求1所述的訓練方法，其特征在于，所述確定各種下肢運動狀態對應的二分類模型排序順序，包括：
3.根據權利要求1所述的訓練方法，其特征在于，所述基于各種下肢運動狀態時采集的慣性測量信號分別確定對應的運動特征，包括：
4.根據權利要求1-3任一項所述的訓練方法，其特征在于，在對當前目標下肢運動狀態對應的二分類模型進行訓練之前，所述方法還包括：
5.根據權利要求4所述的訓練方法，其特征在于，所述根據距離差值確定所述一個運動特征的第二相關性評分，包括：
6.根據權利要求4所述的訓練方法，其特征在于，所述基于各個運動特征對應的綜合評分，確定用于表征當前目標下肢運動狀態的目標運動特征，包括：
7.根據權利要...
【專利技術屬性】
技術研發人員：蔣磊，楊榮，朱巖坤，馬儷芳，馬鳳領，王子，
申請(專利權)人：中國礦業大學北京，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。