本文基于力敏電阻(FSR)傳感器,設計了壓力測量鞋墊,研制出一套結構簡單、穩定可靠、方便穿戴和室外實驗的步態檢測系統。硬件部分包括足底壓力傳感器陣列、信號調理單元、主電路單元三部分。系統的軟件具有數據采集、信號處理、特征提取及分類等功能。系統采集了一個健康人體的27組步態數據并進行分析,研究各種步態下的壓力分布特征,對平地行走、上坡、下坡、上樓梯及下樓梯5種步態模式進行模式識別與分類,通過K最近鄰(KNN)分類算法達到了90%的正確率,初步驗證了該系統的實用性。
引用本文： 方正, 張興亮, 王超, 顧昕, 馬盛林, 王磊, 陳思媛. 基于青年人足底壓力測試的步態實驗研究. 生物醫學工程學雜志, 2014, 31(6): 1278-1282,1293. doi: 10.7507/1001-5515.20140242 復制
引言
步態識別作為一種新的生物特征識別技術[1]，不僅可以根據人們的走路姿勢實現對個人身份的識別，還可用于檢測人的生理、病理特征。目前步態識別主要應用于對不同運動狀態下足底各點與地面之間的壓力及其時間參數進行測量并分析，進而獲取人體在不同體態和運動狀態下的生理和病理力學參數，揭示不同的足底壓力分布特征和模式，對疾患程度測定、生物力學及康復研究均有重要意義。隨著人們對步態識別技術的日益重視，其在未來的應用將不僅僅局限于生物特征方面，還可用于了解中風患者恢復進程以及銀行、車站等特殊場所的安全檢查等醫療衛生和公共安全等領域，由此可見研究步態模式識別技術有十分重大的意義。
目前國內外基于步態生物識別技術主要有以下幾種方法：(1)基于采集步行時的圖像進行識別[2]，可識別行走的頻率和步幅的大小，初步證明該方法具有一定的實用性，但是由于人體身體特征不同，實驗結果具有個體差異性；(2)基于人行走圖像進行特征步態的分析[3]，雖然對不同的光線、衣著、視角進行了歸一化處理，但是實際測試中這些條件的變動依然會對識別率產生明顯的干擾，且數據庫較多時難以通過步態特征識別出個體；(3)基于腦電(electroencephalogram,EEG)信號模式識別的方法[4]，對EEG信號的研究發現，腦電波波形隨著人體運動狀態的改變而改變，雖然變化復雜，但可提供大腦對四肢的控制信息。目前該方法的主要缺點是信號采集系統無法實時地獲得高分辨率的實時信號，且計算機對數據的處理速度達不到要求；(4)基于肌電(electromyography,EMG)信號模式識別的方法[5]，實驗證明，不同路況下人體腿部肌肉表面EMG信號不同，則人體活動方式不同；EMG特征參數差別明顯，對步態識別具有很大的幫助；(5)基于對步態運動學參數中下肢關節角度進行步態識別[6]，行走運動的關節角度變化包含豐富的個體識別信息。實驗證明，利用下肢關節角度進行步態識別也是一種可行的方法。
關于足底壓力分布測量技術的研究，國外起步較早，研究也比較成熟[7]。目前研究應用較多的為瑞士Kistler公司的測力臺系統[8]、美國Tekscan公司的壓力分布測量系統[9]以及德國Novel公司足底壓力分布測量系統[10]，這些系統克服了測力板和測力臺面積有限且只能站立進行參數測量等缺點，具有可靠性和準確性較高、組裝和操作簡便的優點，因此在市場上被廣泛采用。國內足底壓力與測量的研究起步較晚，20世紀 80 年代，伴隨著壓力測量和新型傳感技術的快速發展與普及以及人們對足部健康的日益重視，足底壓力測量技術的重要性在運動生物力學步態研究領域中日益凸顯。經過近20年的研究，國內目前已研制成功的產品主要集中在運動生物力學步態研究和臨床步態研究上，代表性的成果主要為：對人體行走的步態觀察、步態分析和臨床研究；對正常人平地行走時足底三維力的測量與分析；對少年兒童背負書包狀態下行走的步態分析等[11]。但在取得這些成果的同時，仍有一些問題尚需解決：如國外現有的足底壓力分布測量系統價格昂貴，對足底壓力分布測量的應用研究不足，對步態的力學特征分析尚不充分；而國內測量系統存在成本高、壽命短、使用不靈活及難于擴展等問題。
本文基于足底壓力測量，設計了一種壓力測量鞋墊，并研制出一套成本低、穩定可靠、方便穿戴和實驗的步態檢測系統。該足底壓力測量系統采用了4個力敏電阻(force sensing resistor,FSR)，通過集成運放輸出穩定的電壓模擬信號，再通過AD數據采集卡進行數據采集，得到足底壓力數據。分析得到的數據，能夠探索人們行走時的規律，如步態周期的劃分、壓力時序等生物力學參數。受試者穿上測力鞋墊正常行走就可完成步態分析工作。本系統采集了27組步態試驗數據，對這些數據進行分析，研究各種步態下的壓力分布特征，并對平地行走、上坡、下坡、上樓梯、下樓梯5種步態模式進行識別。通過K最近鄰(K-nearest neighbors,KNN)分類算法達到了90%的正確率，初步驗證了本系統的實用性。
1 足底壓力檢測系統
1.1 步態相位與足底壓力傳感
足底壓力分布測量系統測量人體站立或步行時足底壓力的分布情況，即足底與支撐面之間力的分布狀態，從而計算出足底合力大小、位置以及步態時間等特征參數，因此力傳感器是本系統的重要組成部分之一。由于本系統主要用于步態分析的研究，系統除滿足測量量程、靈敏度、測量精度、分辨率等指標要求外，還應滿足重復性好、性能穩定、系統輕便小巧、不妨礙人體步行動作，不改變足底壓力的自然分布狀態等要求，因此傳感器的選擇至關重要。力傳感器種類很多，絕大多數體積龐大，不適用于測量足底壓力。
本系統選用加拿大 Interlink Electronics公司的FSR，該公司的FSR是一種聚合體薄膜裝置，施加在FSR傳感器薄膜區域的壓力值變化能夠轉換成電阻值的變化，壓力越大，電阻越低，從而獲取壓力信息。FSR的敏感度非常高，可以感知人手的觸摸。根據支撐相位足底壓力分布狀況，在步行、站立等運動中，這些受力區域支撐著人體大部分重量，并調節著人體的平衡；測量這些部位的力可以獲取下肢乃至全身的生理、結構及功能等方面的大量信息。因此我們選擇在足底安放4個FSR，其中足跟1個、前足掌2個，腳尖1個，如圖 1所示。
圖1
足底壓力傳感設計
Figure1.
Plantar pressure sensor design
由于足跟需要檢測的位置比較大，因此1號位置，傳感器型號選擇面積較大的 FSR406型傳感器，而對于2~4號位置，采用FSR402型傳感器。因為步態相位與以上信號的相位有關，所以將這些信號的相位組合起來就有可能得到步態相位信息。
1.2 壓力測量系統電路設計
根據足底壓力測量設備的工作原理，設計了足底壓力分布測量系統，制作完成后的系統由電源、傳感器、壓力測量鞋墊、壓力測量集成電路等組成。
FSR實際上可以認為是一個可變電阻，所以在電路設計時中可用可變電阻來替代。在沒有壓力時，FSR的電阻值為無窮大。經過試驗測量，1號FSR在足底的變化范圍為200~∞ Ω，2號FSR的阻值變化范圍為800~∞ Ω，3號FSR的阻值變化范圍為700~∞ Ω，4號FSR的阻值變化范圍為1.5 kΩ~∞ Ω。根據本系統的實驗要求，電路設計如圖 2所示。其中：FSR1、FSR2 、FSR3 、FSR4分別為4個可變電阻，代表 4個力傳感器。運算放大器型號為NE5532P，電源采用9V電池供電，4個NE5532P芯片在5 V電壓下即可滿足要求，以LM7805芯片進行5V變壓，得到穩定的電壓源。
圖2
電路設計
Figure2.
Circuit Design
FSR連接方式如圖 2所示，信號輸出端口為放大器輸出端，電壓輸出為
| ${{V}_{out}}=VCC\cdot R/(R+{{R}_{FSR}}),$ |
式中RFSR為FSR阻值，VCC為5 V電壓，R為變阻器阻值，即電路中的R1、R8、R12、R16。
一共有4個輸出端口，對應4個FSR的信號輸出。同時，在每一個輸出端都附加一個點燈電路，放大器U1B的負端口電壓為
| $V\_=VCC\cdot {{R}_{4}}/({{R}_{3}}+{{R}_{4}})\text{ },$ |
根據實測數據分析，R3用3 kΩ的電阻，R4用2 kΩ的電阻。因此V_ =2 V，每當輸出電壓超過2 V時，LED就會點亮，這樣在進行測試時，觀察LED就可以知道FSR是否在工作。
本系統的數據信號采集模塊設備為Measurement Computing公司的USB-1608G，共有54個端口，主要包括16路模擬信號輸入和8路數字信號輸入，還有一些計數、時鐘、5 V電源、GND等端口，采用USB接口通信。本實驗只需用到CH0、CH1、CH2、CH3共4個端口和GND接地端。采樣頻率為100 Hz。系統的硬件部分和壓力鞋墊如圖 3所示。
圖3
系統的硬件部分和壓力鞋墊
Figure3.
Hardware of the system and the pressure insoles
2 數據采集與步態模式識別
2.1 數據采集
系統軟件基本功能包括數據采集和預處理，高層功能為特征參數的提取。數據采集試驗根據步態模式分為9組，分別為：單腳抬起、單腳站立、雙腳站立、平地行走、上坡、下坡、上樓梯、下樓梯、跨越障礙。
試驗共得到27組數據，每個步態模式下有三組，數據處理是在Matlab軟件上進行的，通過對試驗數據以及各種步態運動規律的對比觀察，我們找出了其中特征明顯的5組數據作為特征數據，分別為sensor4支撐時間/擺動時間、sensor3支撐時間/擺動時間、總支撐時間/擺動時間、sensor4支撐期內該傳感器壓力均值、sensor3支撐期內該傳感器壓力均值，然后對特征數據進行處理。
2.2 步態模式識別
KNN分類算法，屬于模式識別方法中的統計決策法，基本假設為：“同類樣本在模式空間中相互較靠近”。KNN法考查未知樣本點的K個近鄰(K為單數整數)，若近鄰某一類樣本最多，則可將未知樣本判為該類。具體過程為：
(1)計算未知樣本點和所有訓練集樣本點之間的距離。
(2)從最小距離開始計樣本數，一直計到有K個樣本數為止，此時所對應的距離就為最近鄰的最小距離。
(3)如果在這個最小距離中，距某一類訓練集中的樣本數多，距離又小，則將待分類樣本劃到該類中。
本文把提取的5種特征數據看作是5維空間坐標p(x,y,z,m,n)，那么每一種步態模式就可以當作5維空間內的一個點，在這個點周圍一定空間范圍內的點都可認為屬于這種步態模式。將每種模式下的第一組數據作為訓練數據(Train Data)，其他兩組數據作為測試數據(Test Data)，訓練數據中這些5維空間點作為基本點，測試數據中的點作為測試點，通過比較這些測試點到基本點的歐氏(Euclidian)距離，取出該測試點離5個基本點最近的那個點，該基本點所代表的步態模式就是這個測試點的步態模式。歐氏(Euclidian)距離計算公式為
| ${{d}_{ij}}=\sqrt{\sum\limits_{\alpha =1}^{p}{{{({{x}_{i\alpha }}-{{x}_{j\alpha }})}^{2}}}}$ |
對于本實驗，該距離計算公式：
| $d=\sqrt{\Delta {{x}^{2}}+\Delta {{y}^{2}}+\Delta {{z}^{2}}+\Delta {{m}^{2}}+\Delta {{n}^{2}}},$ |
通過Matlab對這10個點分別到基本點的距離計算，分別取最小值。
3 實驗結果
步態模式識別中，本文提取了5個步態特征的試驗數據進行分析，如表 1所示。
表1
步態模式識別中所提取的5個步態特征
Table1.
Five extracted gait feature of gait pattern recognition
10組數據中有9組步態模式判斷正確，其中一組錯誤，該空間向量法正確率為90%。其中上樓梯模式的識別出現錯誤，我們發現上樓梯模式中第三組特征數據總支撐時間/擺動時間分別為3.394 8、3.266 7、2.618 4，與前兩個數據偏差較大，原因可能是該算法過于簡單，也有可能是進行實驗數據采集時，步行狀態與前兩次相比出現偏差。在KNN法中，是在事先知道類別特征的情況下建立判別模型對樣本進行識別歸屬，是一種有監督模式識別，該模式識別的訓練(Training)數據樣本空間大小為1×5，測試(Testing)數據樣本空間大小為2×5。
4 討論與結論
KNN法優點為對數據結構無特殊要求，簡單易行，適合處理大批量的數據。缺點為未對測試點進行信息壓縮，每判斷一個點都要將其對所有已知點的距離計算一遍，工作量較大，同時數據量的大小影響著模式識別的正確率。
本文步態模式識別所提取的特征，表面看只用到了2個傳感器，sensor3和sensor4，但是在支撐相位和擺動相位的計算上，必須用到sensor1。至于sensor2的數據是否有用，是否可以省去，還有待后續研究。
此外模式識別的方法也可采用決策樹法，優點是：在應用于復雜的多階段決策時，階段明顯，層次清楚，正確率比較高；缺點是：適用范圍有限，只適合少量的數據模式分類，在面對大批量數據處理時，分類情況比較復雜，決策條件難以尋找。
實驗中，本系統對試驗對象的5種步態正確識別的概率達到了90%。為了進一步驗證該系統的可靠性和實用性，我們還對同組的其他同學進行了同樣的5種步態模式的識別試驗，由于實驗數據采集和處理與文中給出的相似，故沒有進行羅列。后續這些實驗的正確率也達到了預期，識別結果同時說明了該系統具有一定的實用性。對本實驗壓力測試系統來說，雖然其硬件結構可行，能夠實時采集足底壓力數據，反映足底步態情況，但是還存在一些問題，比如壓力信號達到飽和時，可能會對實驗結果產生影響；算法也還需要進一步研究以達到更寬的應用范圍等，后續將進一步展開相關研究。
引言
步態識別作為一種新的生物特征識別技術[1]，不僅可以根據人們的走路姿勢實現對個人身份的識別，還可用于檢測人的生理、病理特征。目前步態識別主要應用于對不同運動狀態下足底各點與地面之間的壓力及其時間參數進行測量并分析，進而獲取人體在不同體態和運動狀態下的生理和病理力學參數，揭示不同的足底壓力分布特征和模式，對疾患程度測定、生物力學及康復研究均有重要意義。隨著人們對步態識別技術的日益重視，其在未來的應用將不僅僅局限于生物特征方面，還可用于了解中風患者恢復進程以及銀行、車站等特殊場所的安全檢查等醫療衛生和公共安全等領域，由此可見研究步態模式識別技術有十分重大的意義。
目前國內外基于步態生物識別技術主要有以下幾種方法：(1)基于采集步行時的圖像進行識別[2]，可識別行走的頻率和步幅的大小，初步證明該方法具有一定的實用性，但是由于人體身體特征不同，實驗結果具有個體差異性；(2)基于人行走圖像進行特征步態的分析[3]，雖然對不同的光線、衣著、視角進行了歸一化處理，但是實際測試中這些條件的變動依然會對識別率產生明顯的干擾，且數據庫較多時難以通過步態特征識別出個體；(3)基于腦電(electroencephalogram,EEG)信號模式識別的方法[4]，對EEG信號的研究發現，腦電波波形隨著人體運動狀態的改變而改變，雖然變化復雜，但可提供大腦對四肢的控制信息。目前該方法的主要缺點是信號采集系統無法實時地獲得高分辨率的實時信號，且計算機對數據的處理速度達不到要求；(4)基于肌電(electromyography,EMG)信號模式識別的方法[5]，實驗證明，不同路況下人體腿部肌肉表面EMG信號不同，則人體活動方式不同；EMG特征參數差別明顯，對步態識別具有很大的幫助；(5)基于對步態運動學參數中下肢關節角度進行步態識別[6]，行走運動的關節角度變化包含豐富的個體識別信息。實驗證明，利用下肢關節角度進行步態識別也是一種可行的方法。
關于足底壓力分布測量技術的研究，國外起步較早，研究也比較成熟[7]。目前研究應用較多的為瑞士Kistler公司的測力臺系統[8]、美國Tekscan公司的壓力分布測量系統[9]以及德國Novel公司足底壓力分布測量系統[10]，這些系統克服了測力板和測力臺面積有限且只能站立進行參數測量等缺點，具有可靠性和準確性較高、組裝和操作簡便的優點，因此在市場上被廣泛采用。國內足底壓力與測量的研究起步較晚，20世紀 80 年代，伴隨著壓力測量和新型傳感技術的快速發展與普及以及人們對足部健康的日益重視，足底壓力測量技術的重要性在運動生物力學步態研究領域中日益凸顯。經過近20年的研究，國內目前已研制成功的產品主要集中在運動生物力學步態研究和臨床步態研究上，代表性的成果主要為：對人體行走的步態觀察、步態分析和臨床研究；對正常人平地行走時足底三維力的測量與分析；對少年兒童背負書包狀態下行走的步態分析等[11]。但在取得這些成果的同時，仍有一些問題尚需解決：如國外現有的足底壓力分布測量系統價格昂貴，對足底壓力分布測量的應用研究不足，對步態的力學特征分析尚不充分；而國內測量系統存在成本高、壽命短、使用不靈活及難于擴展等問題。
本文基于足底壓力測量，設計了一種壓力測量鞋墊，并研制出一套成本低、穩定可靠、方便穿戴和實驗的步態檢測系統。該足底壓力測量系統采用了4個力敏電阻(force sensing resistor,FSR)，通過集成運放輸出穩定的電壓模擬信號，再通過AD數據采集卡進行數據采集，得到足底壓力數據。分析得到的數據，能夠探索人們行走時的規律，如步態周期的劃分、壓力時序等生物力學參數。受試者穿上測力鞋墊正常行走就可完成步態分析工作。本系統采集了27組步態試驗數據，對這些數據進行分析，研究各種步態下的壓力分布特征，并對平地行走、上坡、下坡、上樓梯、下樓梯5種步態模式進行識別。通過K最近鄰(K-nearest neighbors,KNN)分類算法達到了90%的正確率，初步驗證了本系統的實用性。
1 足底壓力檢測系統
1.1 步態相位與足底壓力傳感
足底壓力分布測量系統測量人體站立或步行時足底壓力的分布情況，即足底與支撐面之間力的分布狀態，從而計算出足底合力大小、位置以及步態時間等特征參數，因此力傳感器是本系統的重要組成部分之一。由于本系統主要用于步態分析的研究，系統除滿足測量量程、靈敏度、測量精度、分辨率等指標要求外，還應滿足重復性好、性能穩定、系統輕便小巧、不妨礙人體步行動作，不改變足底壓力的自然分布狀態等要求，因此傳感器的選擇至關重要。力傳感器種類很多，絕大多數體積龐大，不適用于測量足底壓力。
本系統選用加拿大 Interlink Electronics公司的FSR，該公司的FSR是一種聚合體薄膜裝置，施加在FSR傳感器薄膜區域的壓力值變化能夠轉換成電阻值的變化，壓力越大，電阻越低，從而獲取壓力信息。FSR的敏感度非常高，可以感知人手的觸摸。根據支撐相位足底壓力分布狀況，在步行、站立等運動中，這些受力區域支撐著人體大部分重量，并調節著人體的平衡；測量這些部位的力可以獲取下肢乃至全身的生理、結構及功能等方面的大量信息。因此我們選擇在足底安放4個FSR，其中足跟1個、前足掌2個，腳尖1個，如圖 1所示。
圖1
足底壓力傳感設計
Figure1.
Plantar pressure sensor design
由于足跟需要檢測的位置比較大，因此1號位置，傳感器型號選擇面積較大的 FSR406型傳感器，而對于2~4號位置，采用FSR402型傳感器。因為步態相位與以上信號的相位有關，所以將這些信號的相位組合起來就有可能得到步態相位信息。
1.2 壓力測量系統電路設計
根據足底壓力測量設備的工作原理，設計了足底壓力分布測量系統，制作完成后的系統由電源、傳感器、壓力測量鞋墊、壓力測量集成電路等組成。
FSR實際上可以認為是一個可變電阻，所以在電路設計時中可用可變電阻來替代。在沒有壓力時，FSR的電阻值為無窮大。經過試驗測量，1號FSR在足底的變化范圍為200~∞ Ω，2號FSR的阻值變化范圍為800~∞ Ω，3號FSR的阻值變化范圍為700~∞ Ω，4號FSR的阻值變化范圍為1.5 kΩ~∞ Ω。根據本系統的實驗要求，電路設計如圖 2所示。其中：FSR1、FSR2 、FSR3 、FSR4分別為4個可變電阻，代表 4個力傳感器。運算放大器型號為NE5532P，電源采用9V電池供電，4個NE5532P芯片在5 V電壓下即可滿足要求，以LM7805芯片進行5V變壓，得到穩定的電壓源。
圖2
電路設計
Figure2.
Circuit Design
FSR連接方式如圖 2所示，信號輸出端口為放大器輸出端，電壓輸出為
| ${{V}_{out}}=VCC\cdot R/(R+{{R}_{FSR}}),$ |
式中RFSR為FSR阻值，VCC為5 V電壓，R為變阻器阻值，即電路中的R1、R8、R12、R16。
一共有4個輸出端口，對應4個FSR的信號輸出。同時，在每一個輸出端都附加一個點燈電路，放大器U1B的負端口電壓為
| $V\_=VCC\cdot {{R}_{4}}/({{R}_{3}}+{{R}_{4}})\text{ },$ |
根據實測數據分析，R3用3 kΩ的電阻，R4用2 kΩ的電阻。因此V_ =2 V，每當輸出電壓超過2 V時，LED就會點亮，這樣在進行測試時，觀察LED就可以知道FSR是否在工作。
本系統的數據信號采集模塊設備為Measurement Computing公司的USB-1608G，共有54個端口，主要包括16路模擬信號輸入和8路數字信號輸入，還有一些計數、時鐘、5 V電源、GND等端口，采用USB接口通信。本實驗只需用到CH0、CH1、CH2、CH3共4個端口和GND接地端。采樣頻率為100 Hz。系統的硬件部分和壓力鞋墊如圖 3所示。
圖3
系統的硬件部分和壓力鞋墊
Figure3.
Hardware of the system and the pressure insoles
2 數據采集與步態模式識別
2.1 數據采集
系統軟件基本功能包括數據采集和預處理，高層功能為特征參數的提取。數據采集試驗根據步態模式分為9組，分別為：單腳抬起、單腳站立、雙腳站立、平地行走、上坡、下坡、上樓梯、下樓梯、跨越障礙。
試驗共得到27組數據，每個步態模式下有三組，數據處理是在Matlab軟件上進行的，通過對試驗數據以及各種步態運動規律的對比觀察，我們找出了其中特征明顯的5組數據作為特征數據，分別為sensor4支撐時間/擺動時間、sensor3支撐時間/擺動時間、總支撐時間/擺動時間、sensor4支撐期內該傳感器壓力均值、sensor3支撐期內該傳感器壓力均值，然后對特征數據進行處理。
2.2 步態模式識別
KNN分類算法，屬于模式識別方法中的統計決策法，基本假設為：“同類樣本在模式空間中相互較靠近”。KNN法考查未知樣本點的K個近鄰(K為單數整數)，若近鄰某一類樣本最多，則可將未知樣本判為該類。具體過程為：
(1)計算未知樣本點和所有訓練集樣本點之間的距離。
(2)從最小距離開始計樣本數，一直計到有K個樣本數為止，此時所對應的距離就為最近鄰的最小距離。
(3)如果在這個最小距離中，距某一類訓練集中的樣本數多，距離又小，則將待分類樣本劃到該類中。
本文把提取的5種特征數據看作是5維空間坐標p(x,y,z,m,n)，那么每一種步態模式就可以當作5維空間內的一個點，在這個點周圍一定空間范圍內的點都可認為屬于這種步態模式。將每種模式下的第一組數據作為訓練數據(Train Data)，其他兩組數據作為測試數據(Test Data)，訓練數據中這些5維空間點作為基本點，測試數據中的點作為測試點，通過比較這些測試點到基本點的歐氏(Euclidian)距離，取出該測試點離5個基本點最近的那個點，該基本點所代表的步態模式就是這個測試點的步態模式。歐氏(Euclidian)距離計算公式為
| ${{d}_{ij}}=\sqrt{\sum\limits_{\alpha =1}^{p}{{{({{x}_{i\alpha }}-{{x}_{j\alpha }})}^{2}}}}$ |
對于本實驗，該距離計算公式：
| $d=\sqrt{\Delta {{x}^{2}}+\Delta {{y}^{2}}+\Delta {{z}^{2}}+\Delta {{m}^{2}}+\Delta {{n}^{2}}},$ |
通過Matlab對這10個點分別到基本點的距離計算，分別取最小值。
3 實驗結果
步態模式識別中，本文提取了5個步態特征的試驗數據進行分析，如表 1所示。
表1
步態模式識別中所提取的5個步態特征
Table1.
Five extracted gait feature of gait pattern recognition
10組數據中有9組步態模式判斷正確，其中一組錯誤，該空間向量法正確率為90%。其中上樓梯模式的識別出現錯誤，我們發現上樓梯模式中第三組特征數據總支撐時間/擺動時間分別為3.394 8、3.266 7、2.618 4，與前兩個數據偏差較大，原因可能是該算法過于簡單，也有可能是進行實驗數據采集時，步行狀態與前兩次相比出現偏差。在KNN法中，是在事先知道類別特征的情況下建立判別模型對樣本進行識別歸屬，是一種有監督模式識別，該模式識別的訓練(Training)數據樣本空間大小為1×5，測試(Testing)數據樣本空間大小為2×5。
4 討論與結論
KNN法優點為對數據結構無特殊要求，簡單易行，適合處理大批量的數據。缺點為未對測試點進行信息壓縮，每判斷一個點都要將其對所有已知點的距離計算一遍，工作量較大，同時數據量的大小影響著模式識別的正確率。
本文步態模式識別所提取的特征，表面看只用到了2個傳感器，sensor3和sensor4，但是在支撐相位和擺動相位的計算上，必須用到sensor1。至于sensor2的數據是否有用，是否可以省去，還有待后續研究。
此外模式識別的方法也可采用決策樹法，優點是：在應用于復雜的多階段決策時，階段明顯，層次清楚，正確率比較高；缺點是：適用范圍有限，只適合少量的數據模式分類，在面對大批量數據處理時，分類情況比較復雜，決策條件難以尋找。
實驗中，本系統對試驗對象的5種步態正確識別的概率達到了90%。為了進一步驗證該系統的可靠性和實用性，我們還對同組的其他同學進行了同樣的5種步態模式的識別試驗，由于實驗數據采集和處理與文中給出的相似，故沒有進行羅列。后續這些實驗的正確率也達到了預期，識別結果同時說明了該系統具有一定的實用性。對本實驗壓力測試系統來說，雖然其硬件結構可行，能夠實時采集足底壓力數據，反映足底步態情況，但是還存在一些問題，比如壓力信號達到飽和時，可能會對實驗結果產生影響；算法也還需要進一步研究以達到更寬的應用范圍等，后續將進一步展開相關研究。
