為了提高下肢外骨骼機器人及其穿戴者行走的流暢性和人機相互協調性，本文提出了一種基于慣性傳感器信號的下肢外骨骼穿戴者行走步速識別方法。首先選取大腿處和小腿處的三軸加速度和三軸角速度信號，隨后根據時間窗口提取當前時刻前0.5 s的信號，以頻域信號中的傅里葉變換系數為特征值。接著將支持向量機（SVM）與隱馬爾科夫模型（HMM）結合作為分類模型，對該模型進行訓練和步速識別。最后結合步速變化規律與人-機約束力，預測當前時刻步速大小。試驗結果表明，本文提出的方法能夠有效識別下肢外骨骼穿戴者的步速意圖，七種步速模式識別率可達到92.14%。本文方法為實現外骨骼與穿戴者之間的人機協調控制提供了新思路和新途徑。
引用本文： 胡冬, 劉作軍, 陳玲玲, 王倩. 基于支持向量機-隱馬爾科夫模型的外骨骼穿戴者步速意圖識別. 生物醫學工程學雜志, 2022, 39(1): 84-91. doi: 10.7507/1001-5515.202011009 復制
引言
下肢外骨骼機器人是一種以人機協同為主的一體化裝置，尤其是在軍事和康復輔具方面有豐富的應用背景[1]。目前，按其應用背景將下肢外骨骼機器人分為兩類，負重型外骨骼和康復校正型外骨骼。通過將人與機器相結合的方式，使外骨骼機器人起到支撐、助力和保護的作用[2-4]。
為了保證穿戴者與外骨骼裝置行走的協調性，文獻[5-7]充分研究了不同步速下的外骨骼控制策略，將外骨骼行走的速度進行了劃分并以此來實現人機的步速匹配，充分說明了步速意圖的提前感知是人機步速匹配的重要前提。外骨骼穿戴者的步速意圖識別能夠提前感知穿戴者的步速變化，并使外骨骼作出相應的協同控制，使得外骨骼穿戴者行走更加穩定、流暢和自然。
一般情況下，人體運動步速意圖通常基于生物電信號（肌電信號、腦電信號等）和生物力學信號（加速度計信號、陀螺儀信號和壓力傳感器信號等）進行識別[8-9]。Choi等[10]提出一種基于肌電信號預測擺動相步速的識別方法，以信號波長的平方根值做特征值，使用線性回歸方法進行建模，解決了因模型在低速時性能不好而造成速度預測不準確的問題。但由于肌電信號采集設備的昂貴和采集信號的微弱，而且肌電信號還含有很多噪聲，使得它在意圖識別的應用中受到了很大的限制。近年來隨著微型慣性傳感器的性能逐步提高和成本普遍降低，慣性傳感器逐步引入了步速識別中。Jung等[11]使用人與外骨骼之間的壓力傳感器測得行走過程中相互作用力，用于估算穿戴者預期的步行速度，然后基于估計的步行速度，選擇合理的參考軌跡，用于最終的控制策略中。Song等[12]根據三軸加速度計傳感器進行速度估計，使用神經網絡模型根據對象的狀態估計步幅，用估計的步幅長度除以測得的時間計算步速。使用該方法不需要傳感器的校正就可以對步數、移動距離以及步速進行有效估計。但是由于時間是通過測量得到的，其速度的估計是在發生行走動作后完成的，不能實現步速的預測功能。外骨骼人-機行走的速度是穿戴者通過克服與機器之間的相互作用力體現出來的，由于存在外骨骼機械結構的約束和電機執行機構的慣性延遲，最終造成其與穿戴者真實的行走意圖有所差別。上述文獻中的步速意圖均沒有考慮在外骨骼裝置約束情況下的穿戴者真實的意圖變化，制約了外骨骼控制的人機協調性。
在下肢運動信號的特征值提取方面，主要分為時域和頻域特征提取方法。時域特征能夠有效反映數據峰值變化的特征，多用于路況識別[13-15]；頻域特征能夠更好地反映頻率變化的特征，能更好地應用于步速識別中。Preece等[16]對下肢加速度信號進行了時域與頻域分析，結果顯示時域分析不如頻率特征準確。上述文獻具體研究了特征值的提取方法，充分考慮了信號類別與分類模式對特征值提取方法的影響，在不同的分類模式下結合了信號的實際特性，選取差別較為明顯的特征值作為提取方法，可以顯著提高最終的識別效果。
在識別算法方面，隱馬爾科夫模型（hidden Markov model，HMM）在行走運動的路況和動作識別方面有較好的優勢[17-21]。趙麗娜等[22]根據人體運動規律特點，將HMM模型引入下肢運動意圖識別中，結合加速度和足底壓力信號實現了人體運行步態的預識別。支持向量機（support vector machine，SVM）在處理小模型樣本和運動意圖分類中有很好的分類效果。然而在運動狀態識別中，僅使用SVM方法具有一定缺陷，不能識別過渡狀態，因此需要將SVM與其他方法進行結合，以提高過渡狀態下的識別精度。Zheng等[14]通過SVM方法對下肢運動狀態進行識別，為減少運動狀態轉換過程中識別錯誤的問題，引入了二次判別分析(quadratic discriminant analysis，QDA)方法，用于識別狀態過渡階段的運動模式。
本文采用加速度和角速度信號作為識別信號，提出了使用慣性傳感器信息的下肢外骨骼穿戴者步速預測方法。根據大腿處和小腿處慣性傳感器的三軸加速度和角速度信號與人-機約束力信號，提取慣性數據的頻域信號作為分類的特征值，采用SVM-HMM方法對特征值進行識別。使用當前時刻前0.5 s的傳感器信息進行分類識別，并且結合步速變化規律與人-機約束力信號，用于預測當前時刻的步速大小。本研究旨在考慮機械裝置約束作用下準確的步速意圖，使用上述方法解決誤識別結果突變的問題，以期將預測結果應用于外骨骼控制系統中，使得人機協調控制效果更加流暢。
1 慣性傳感器數據采集與處理
1.1 信號采集與降噪處理
本文采用穩定性強、可重復性高的生物力學信號進行外骨骼穿戴者步速意圖的識別，使用慣性傳感器分別采集大腿處與小腿處的X、Y、Z軸加速度信號和角速度信號作為穿戴者步速意圖識別的依據。
由于外骨骼機械裝置的約束性作用，穿戴者的步速意圖可能與實際行走所表現出的步速不同，體現在穿戴者有加速或減速意圖時，在機械結構的約束作用下僅使用慣性傳感器信號無法描述該意圖。因此為準確分析外骨骼穿戴者的步速意圖，考慮到外骨骼裝置對穿戴者的約束影響，本文使用小腿與外骨骼機械裝置之間的彈簧-壓力傳感器結構補償穿戴者步速意圖識別的缺陷。
本研究采用Trigno無線采集系統采集慣性信號，采樣頻率100 Hz，每一個模塊均可同時采集三軸加速度與角速度信號，如圖1a所示；采用彈簧-壓力傳感系統采集人-機約束力信號，該模塊用于測量穿戴者小腿與外骨骼捆綁處的壓力值，使用RP-C電阻式壓敏傳感器，測量范圍0～60 N，如圖1b所示。
圖1
數據采集傳感器
a. 慣性傳感器；b. 彈簧-壓力傳感器
Figure1. The sensors of data acquisitiona. inertial sensor; b. spring-pressure sensor
為了充分保護受試者權益，本研究通過了醫學實驗倫理審查。共招募受試者10名，男生5名，女生5名，身高在155～185 cm之間，體重在50～78 kg之間,年齡20～30歲，身體四肢無殘疾，能夠適應并在跑步機上平穩行走。安裝可穿戴傳感器設備，試驗中的信息僅在可變速跑步機上進行采集。按照圖2所示，將慣性傳感器1放置于穿戴者大腿外側處，采集大腿處的姿態信號；將慣性傳感器2放置于穿戴者小腿外側處，采集小腿處的姿態信號；將彈簧-壓力傳感器放置于穿戴者小腿與外骨骼捆綁處之間，采集人-機約束力信號；X軸正方向為垂直地面向上的方向，Y軸正方向為人體行走的反方向，Z軸正方向由右手定則判定。
圖2
慣性傳感器穿戴及數據采集示意圖
Figure2.
The schematic diagram of inertial sensor wearing posi tion and data collection
進行數據采集時，為保證行走速度的準確性與穩定性，外骨骼穿戴者在跑步機上分別以3.0、3.3、3.6、3.9、4.2、4.5、4.8 km/h的速度行走，穩定行走1 min后，開始采集七種步速下的傳感器數據，此時采集的信號是步速意圖沒有變化時的信號；然后通過突然提高或降低跑步機運行速度，使穿戴者有加速或減速意圖并采集有步速變化時的傳感器數據，此時采集的信號是在步速意圖變化情況下的信號。將上述傳感器采集到的信息進行存儲，作為原始數據。
由于外骨骼裝置在行走中的振動使得采集信號含有未知的噪聲，本文使用小波降噪法去除原始傳感器采集的信號噪聲[23]，以利于后續的特征值提取和特征識別。采用小波db7作為基波，進行了5層小波分解。然后對1至5層的高頻系數進行相應的量化處理，得到新的系數。根據分解得到的5階低頻系數和通過閾值處理后的每層高頻系數進行重構，實現信號的去噪。以大腿處的X軸方向加速度信號為例，圖3為某一段時間內大腿處的X軸方向加速度信號的原始信號與濾波后的信號，其中虛線為傳感器采集的原始信號，實線為經過小波降噪后的信號。可以明顯看出經過濾波的信號具有較好的周期性，有利于之后的數據分析。
圖3
大腿處X 軸加速度信號濾波
Figure3.
The filtered acceleration signal of the thigh in X-axis
穿戴者在穩定步速行走情況下與步速意圖變化情況下的人-機約束力信號如圖4所示，以3.0 km/h的速度平穩行走與從3.0 km/h加速到3.6 km/h為例，測量一段時間內人-機約束力的變化。從圖中可以看出，當穿戴者在沒有步速意圖變化時，約束力在某一范圍內波動，當有意圖變化時，約束力的變化范圍超出穩定行走時的范圍。在之后的意圖識別中充分將該現象引入識別模型中，以提高意圖識別的準確性。
圖4
步速意圖無變化與意圖變化下的壓力信號對比圖
Figure4.
The comparison of pressure signals between no change in intention and change in intention
1.2 信號的特征分析與特征值的提取
對于可穿戴傳感器產生的數據流信號，應對其進行數據分割，提取階段性的有效數據。采用基于時間窗口的數據分割方法，利用重疊50%的滑動時間窗口，窗口期0.5 s即截取50幀的數據信號。人體行走一個周期的時間為1～2 s，因此選取0.5 s為滑動窗口，并結合重疊50%的窗口值，可以保證每一幀數據有兩次的使用效率，既不會造成數據浪費，又不會產生數據丟失的情況。在數據采集時，以當前時刻為節點，截取前0.5 s的數據作為滑動窗口 
：
 |
式中m為當前窗口數；Tt為傳感器的數據，角標為當前的幀數值，l表示窗口的大小。由于截取了當前時刻前0.5 s的數據，因此窗口包含50幀的數據量，l = 50。
當取下一個窗口時，t經過50幀后再取前50幀的數據作為滑動窗口 
，以此取得重復覆蓋率為50%的窗口。
信號的特征值選取一般分為時域和頻域方法，以Y方向大腿處的加速度信號為例比較時域信號和頻域信號，如圖5所示。
圖5
時域與頻域信號對比圖
Figure5.
The comparison of time domain and frequency domain signal
本文在時域信號特征值提取中通常從最大值、最小值、均值和方差四個特征進行觀察，從圖5中左圖可以看出不同步速下的上述特征變化差異并不明顯，如最大值均在0 ～ ? 0.5 g間，最小值均在? 0.5 ～ ? 1.0 g間；而圖5中右圖可以看出在不同步速下信號所包含的頻率幅值不同，可以直觀地縱向對比。因此，從圖5中可以看出，在不同步速下時域信號的特征值不如頻域信號的特征值變化明顯，最終選用提取快速傅里葉變換（fast Fourier transform，FFT）系數作為特征值。使用了兩個傳感器的六維信號（三軸加速度和三軸角速度）構成了12維的數據信號，每個時間窗口分別提取前5階的FFT系數為特征值，最終使用5 × 12的系數矩陣組成了60維的特征向量，使用該特征向量作為步速意圖識別模型的輸入樣本。
2 SVM-HMM模型
SVM-HMM模型是由SVM和HMM兩部分組成，SVM是一種非線性可分問題的模型，HMM是一種統計學分析模型，利用狀態轉移矩陣和觀測概率矩陣，分析出觀察值的概率并進行判斷。由于HMM的隱狀態之間的概率轉換不能直接觀察，所以利用SVM先對樣本進行離線識別，求出觀察概率矩陣，再通過HMM結合行走規律性特征與步速意圖變化規律，通過前向后向算法得到觀察值的概率，對步速意圖進行預測，利用該模型可有效提高識別效率。
2.1 SVM模型
SVM是一種使用小樣本數據量進行識別的分類方法，并已經在下肢運動識別中有很廣泛的應用。將由加速度與角速度信號的特征值組成的特征向量作為樣本，通過內積核函數定義的非線性變換尋找最優分類面，使訓練樣本與分類面距離最大。最優分類超平面表達式如下：
 |
其中ω為權值向量；C為懲罰參數，用于控制錯分樣本的懲罰控制；ξi為松弛變量且ξi ≥ 0。對于非線性可分問題，使用核函數的方法，可將樣本空間映射到線性可分的空間，因此選用合適的核函數是SVM的關鍵。本文采用徑向基核函數又稱高斯核函數，其表達式如下：
 |
其中g為核半徑。懲罰參數C和核半徑g是根據訓練樣本的數據自動搜索調整得到的最優參數。將初始C和g的范圍代入調試，以固定步長進行迭代調整以得到最優的參數[24]。
2.2 HMM模型
隱馬爾科夫模型是一種統計分析模型，用于解決事物間雙重隨機性關系問題。最早提出時主要用于語音識別技術，隨著傳感器技術的發展，也開始廣泛應用于人體運動意圖識別[25]。根據行走過程中前后兩步步速變化的規律性特點，調整HMM中的狀態轉移矩陣，用于表示前后兩步之間的步速轉換模型。
隱馬爾科夫模型使用五元組表示：
 |
N表示隱態模組數；M表示每個狀態可能輸出的觀察數目；根據需要識別的步速范圍，將隱態S分為3.0、3.3、3.6、3.9、4.2、4.5、4.8 km/h七個步速狀態，狀態 
，步速的變化只存在于七種步速下的轉換，因此N = M = 7，表示隱狀態為七種觀察狀態。
Π表示初始概率矩陣，即第一種步速被選擇的概率，由于初始步速是不確定的，使用均勻分布作為初始概率。
 |
A為狀態轉移概率矩陣，表示當前狀態Si轉換為下一狀態Sj的概率。
 |
式中qt表示為在當前時刻下的狀態，qt+1表示為下一時刻下的狀態，aij表示為矩陣A的第i行第j列元素。
通過對行走特征的判斷結合行走變化規律，步速變換是連續的，且下一時刻的步速跟當前時刻的步速有很強的關聯性，將狀態轉移概率用正態分布的形式計算，來模擬連續行走時的步速轉換，以此使得預測結果更接近真實狀態。
Ai為A的某一行，表示為當前步速狀態轉移為下一步速狀態的概率，服從標準正態分布。
 |
其均值處的狀態為當前步速值狀態，因此下一步速狀態的概率最大值處的狀態位于當前步速值狀態處。另外在均值概率最大的狀態處增加了偏移因子項k，以修正穿戴者非正常加速情況下的狀態轉移矩陣。改進后的狀態轉移矩陣每一行Ai為：
 |
計算得到狀態轉移概率如下式：
 |
偏移因子k是由安裝在穿戴者小腿與外骨骼捆綁處的壓力信號決定的。由于穿戴者與外骨骼機械裝置的約束作用，導致穿戴者的意圖會因機械裝置的約束或電機執行機構的慣性滯后而削弱或改變，因此單獨使用慣性傳感器不能很好地描述步速意圖。本方法使用安裝在穿戴者小腿與綁腿之間的彈簧-壓力傳感器來體現真實的穿戴者步速意圖。當穿戴者的步速意圖有變化時，首先通過彈簧裝置將人-機之間的壓力信號作用到壓力傳感器上，一般情況下外骨骼與人處于相互協調的狀態，壓力信號為零或零附近的范圍內，k取值為零，然而在穿戴者有加速或減速意圖的情況下，通過圖4可以看出壓力信號會發生突變，F表示當前時刻的壓力值，通過測量將F進行量化，量化刻度為α，則k的計算如下：
 |
在上式中求得k的值后代入公式(8)～(9)中，若i + k超出范圍，就取其邊緣值。
B為狀態Si的觀測概率分布矩陣，表示狀態為Si時輸出為觀察狀態Vj時的概率。
 |
式中ot表示為在當前時刻下的觀察狀態，bij表示為矩陣B的第i行第j列元素，bij是由SVM輸出模型建立的，使用離線SVM識別方法，計算出當前狀態為Si時，SVM模型識別為觀察狀態Vj時的概率。
HMM模型的求解是使用維特比算法（前向后向算法），先使用狀態轉移矩陣A前向計算概率，再利用觀測概率矩陣B后向計算，求出下一時刻每個狀態的最大概率。
前向概率計算公式如下：
 |
后向概率計算公式如下：
 |
求得狀態o在狀態Si下的最大概率，那么該狀態o為該模型最終預測的步速結果。
3 模型的訓練與識別結果
本文將SVM與HMM結合作為識別模型，先以SVM模型離線訓練，將其識別結果的混淆矩陣作為HMM的觀測概率矩陣B，進而得到SVM-HMM的步速預測模型，在線預測時使用SVM進行識別，然后將識別結果通過HMM分析最終得到步速預測結果，其步速識別過程如圖6所示。
圖6
SVM-HMM步速預測模型流程圖
Figure6.
The flow chart of SVM-HMM pace prediction model
外骨骼穿戴者在跑步機上分別以七種不同的速度行走，每種步速下采集250個窗口作為樣本，共1 750組樣本。以每種步速下200個窗口的數據作為訓練樣本，每種步速下50個窗口的數據作為測試樣本。求得SVM離線識別結果如表1所示。
表1
SVM模型離線識別混淆矩陣
Table1.
The confusion matrix of SVM model offline recognition
從表1中可以看出，由信號干擾和外骨骼機械結構的約束性等問題引起的誤識別結果的出現是隨機的，即會出現由高速狀態突然識別到低速狀態的情況。將該識別結果統計為觀測概率矩陣B樣式：
 |
另外根據式(8)～(9)(k=0的情況下)可以得出狀態轉移矩陣A為：
 |
將狀態轉移矩陣A和觀測概率矩陣B代入式(4)中的HMM模型中，即得到完整的SVM-HMM模型。然后對該模型進行在線識別測試，穿戴者以每種固定的速度行走，再采集每組連續的20個新窗口的數據即140組樣本進行識別。先使用SVM在線識別，再使用HMM模型對該結果進行觀測狀態的計算與判斷，最終得到預測的步速狀態。結果如表2所示，平均識別率達到了92.14%。表2中的數據為整體的識別，而穿戴者的行走是連續的，連續行走的識別結果如圖7所示。
表2
SVM-HMM模型在線識別混淆矩陣
Table2.
The confusion matrix of SVM-HMM model online recogni tion
圖7
連續行走下SVM-HMM模型預測結果
Figure7.
The prediction results of SVM-HMM model under conti nuous walking
從圖7中可以明顯看出，誤識別的結果僅在其相鄰的一個狀態中，在識別結果不是很精確的前提下，最大誤差范保持在0.3 km/h以內，整體識別率為92.14%，比單獨使用SVM算法識別步速意圖更為準確。當連續行走20個窗口時，此時為平穩行走，有較好的識別效果。由于步速的變化并非經常出現，本文方法的主要作用為平穩變化時步速的識別，并且降低誤識別結果與真實結果相差較大的概率。在識別結果圖7中，可以看出在窗口20、40、60、80、100、120時，步速發生平穩的變化，可以實現步速的預測，并將所有的誤差保持在一個相鄰狀態之間，從算法原理上解決了人-機之間的約束力對步速意圖的影響，避免了將高速意圖識別為低速意圖或將低速意圖識別為高速意圖的情況。
4 結論
本文提出了一種基于SVM-HMM的外骨骼穿戴者下肢行走速度的識別方法，主要應用為下肢外骨骼穿戴者的步速意圖識別。首先根據模式識別中行走的特征，提出并使用了SVM-HMM識別方法，把行走的步速分為了七種步速狀態。接著穿戴者在跑步機上以七種步速行走，采集粘貼在大腿和小腿外側處的加速度和角速度信號和小腿處彈簧-壓力傳感器的人-機約束力信號。然后提取了加速度信號與角速度信號的FFT系數做特征值，使用SVM-HMM模型用于對當前時刻的步速預測。最后試驗結果表明，步速識別率達到92.14%。根據行走的規律和人-機約束力的變化改進了HMM的狀態轉移矩陣，更加準確地描述了穿戴者的步速意圖變化。最終使得誤識別結果的范圍均保持在一個步速狀態之內。而傳統的步速識別方法沒有考慮到人-機約束力對穿戴者步速意圖的影響，使識別結果與正確結果之間出現相差很大的情況，導致結果突變，最終會對之后的控制產生巨大的影響。
本文從識別算法的原理上進行改進，同時使用慣性信號和約束力信號進行步速意圖識別，能更好地識別出步速意圖，避免了識別狀態與步速意圖相差巨大的情況，并使識別精度明顯提高，基本解決了識別結果突變與識別意圖不準確的情況。
重要聲明
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
作者貢獻聲明：胡冬進行實驗設計、數據收集、數據分析和論文寫作工作；劉作軍、陳玲玲參與實驗設計和論文寫作工作；王倩參與數據收集、數據分析工作。
倫理聲明：本研究通過了河北工業大學生物醫學倫理委員會的審批（批文編號：HEBUThMEC2020008）。
引言
下肢外骨骼機器人是一種以人機協同為主的一體化裝置，尤其是在軍事和康復輔具方面有豐富的應用背景[1]。目前，按其應用背景將下肢外骨骼機器人分為兩類，負重型外骨骼和康復校正型外骨骼。通過將人與機器相結合的方式，使外骨骼機器人起到支撐、助力和保護的作用[2-4]。
為了保證穿戴者與外骨骼裝置行走的協調性，文獻[5-7]充分研究了不同步速下的外骨骼控制策略，將外骨骼行走的速度進行了劃分并以此來實現人機的步速匹配，充分說明了步速意圖的提前感知是人機步速匹配的重要前提。外骨骼穿戴者的步速意圖識別能夠提前感知穿戴者的步速變化，并使外骨骼作出相應的協同控制，使得外骨骼穿戴者行走更加穩定、流暢和自然。
一般情況下，人體運動步速意圖通常基于生物電信號（肌電信號、腦電信號等）和生物力學信號（加速度計信號、陀螺儀信號和壓力傳感器信號等）進行識別[8-9]。Choi等[10]提出一種基于肌電信號預測擺動相步速的識別方法，以信號波長的平方根值做特征值，使用線性回歸方法進行建模，解決了因模型在低速時性能不好而造成速度預測不準確的問題。但由于肌電信號采集設備的昂貴和采集信號的微弱，而且肌電信號還含有很多噪聲，使得它在意圖識別的應用中受到了很大的限制。近年來隨著微型慣性傳感器的性能逐步提高和成本普遍降低，慣性傳感器逐步引入了步速識別中。Jung等[11]使用人與外骨骼之間的壓力傳感器測得行走過程中相互作用力，用于估算穿戴者預期的步行速度，然后基于估計的步行速度，選擇合理的參考軌跡，用于最終的控制策略中。Song等[12]根據三軸加速度計傳感器進行速度估計，使用神經網絡模型根據對象的狀態估計步幅，用估計的步幅長度除以測得的時間計算步速。使用該方法不需要傳感器的校正就可以對步數、移動距離以及步速進行有效估計。但是由于時間是通過測量得到的，其速度的估計是在發生行走動作后完成的，不能實現步速的預測功能。外骨骼人-機行走的速度是穿戴者通過克服與機器之間的相互作用力體現出來的，由于存在外骨骼機械結構的約束和電機執行機構的慣性延遲，最終造成其與穿戴者真實的行走意圖有所差別。上述文獻中的步速意圖均沒有考慮在外骨骼裝置約束情況下的穿戴者真實的意圖變化，制約了外骨骼控制的人機協調性。
在下肢運動信號的特征值提取方面，主要分為時域和頻域特征提取方法。時域特征能夠有效反映數據峰值變化的特征，多用于路況識別[13-15]；頻域特征能夠更好地反映頻率變化的特征，能更好地應用于步速識別中。Preece等[16]對下肢加速度信號進行了時域與頻域分析，結果顯示時域分析不如頻率特征準確。上述文獻具體研究了特征值的提取方法，充分考慮了信號類別與分類模式對特征值提取方法的影響，在不同的分類模式下結合了信號的實際特性，選取差別較為明顯的特征值作為提取方法，可以顯著提高最終的識別效果。
在識別算法方面，隱馬爾科夫模型（hidden Markov model，HMM）在行走運動的路況和動作識別方面有較好的優勢[17-21]。趙麗娜等[22]根據人體運動規律特點，將HMM模型引入下肢運動意圖識別中，結合加速度和足底壓力信號實現了人體運行步態的預識別。支持向量機（support vector machine，SVM）在處理小模型樣本和運動意圖分類中有很好的分類效果。然而在運動狀態識別中，僅使用SVM方法具有一定缺陷，不能識別過渡狀態，因此需要將SVM與其他方法進行結合，以提高過渡狀態下的識別精度。Zheng等[14]通過SVM方法對下肢運動狀態進行識別，為減少運動狀態轉換過程中識別錯誤的問題，引入了二次判別分析(quadratic discriminant analysis，QDA)方法，用于識別狀態過渡階段的運動模式。
本文采用加速度和角速度信號作為識別信號，提出了使用慣性傳感器信息的下肢外骨骼穿戴者步速預測方法。根據大腿處和小腿處慣性傳感器的三軸加速度和角速度信號與人-機約束力信號，提取慣性數據的頻域信號作為分類的特征值，采用SVM-HMM方法對特征值進行識別。使用當前時刻前0.5 s的傳感器信息進行分類識別，并且結合步速變化規律與人-機約束力信號，用于預測當前時刻的步速大小。本研究旨在考慮機械裝置約束作用下準確的步速意圖，使用上述方法解決誤識別結果突變的問題，以期將預測結果應用于外骨骼控制系統中，使得人機協調控制效果更加流暢。
1 慣性傳感器數據采集與處理
1.1 信號采集與降噪處理
本文采用穩定性強、可重復性高的生物力學信號進行外骨骼穿戴者步速意圖的識別，使用慣性傳感器分別采集大腿處與小腿處的X、Y、Z軸加速度信號和角速度信號作為穿戴者步速意圖識別的依據。
由于外骨骼機械裝置的約束性作用，穿戴者的步速意圖可能與實際行走所表現出的步速不同，體現在穿戴者有加速或減速意圖時，在機械結構的約束作用下僅使用慣性傳感器信號無法描述該意圖。因此為準確分析外骨骼穿戴者的步速意圖，考慮到外骨骼裝置對穿戴者的約束影響，本文使用小腿與外骨骼機械裝置之間的彈簧-壓力傳感器結構補償穿戴者步速意圖識別的缺陷。
本研究采用Trigno無線采集系統采集慣性信號，采樣頻率100 Hz，每一個模塊均可同時采集三軸加速度與角速度信號，如圖1a所示；采用彈簧-壓力傳感系統采集人-機約束力信號，該模塊用于測量穿戴者小腿與外骨骼捆綁處的壓力值，使用RP-C電阻式壓敏傳感器，測量范圍0～60 N，如圖1b所示。
圖1
數據采集傳感器
a. 慣性傳感器；b. 彈簧-壓力傳感器
Figure1. The sensors of data acquisitiona. inertial sensor; b. spring-pressure sensor
為了充分保護受試者權益，本研究通過了醫學實驗倫理審查。共招募受試者10名，男生5名，女生5名，身高在155～185 cm之間，體重在50～78 kg之間,年齡20～30歲，身體四肢無殘疾，能夠適應并在跑步機上平穩行走。安裝可穿戴傳感器設備，試驗中的信息僅在可變速跑步機上進行采集。按照圖2所示，將慣性傳感器1放置于穿戴者大腿外側處，采集大腿處的姿態信號；將慣性傳感器2放置于穿戴者小腿外側處，采集小腿處的姿態信號；將彈簧-壓力傳感器放置于穿戴者小腿與外骨骼捆綁處之間，采集人-機約束力信號；X軸正方向為垂直地面向上的方向，Y軸正方向為人體行走的反方向，Z軸正方向由右手定則判定。
圖2
慣性傳感器穿戴及數據采集示意圖
Figure2.
The schematic diagram of inertial sensor wearing posi tion and data collection
進行數據采集時，為保證行走速度的準確性與穩定性，外骨骼穿戴者在跑步機上分別以3.0、3.3、3.6、3.9、4.2、4.5、4.8 km/h的速度行走，穩定行走1 min后，開始采集七種步速下的傳感器數據，此時采集的信號是步速意圖沒有變化時的信號；然后通過突然提高或降低跑步機運行速度，使穿戴者有加速或減速意圖并采集有步速變化時的傳感器數據，此時采集的信號是在步速意圖變化情況下的信號。將上述傳感器采集到的信息進行存儲，作為原始數據。
由于外骨骼裝置在行走中的振動使得采集信號含有未知的噪聲，本文使用小波降噪法去除原始傳感器采集的信號噪聲[23]，以利于后續的特征值提取和特征識別。采用小波db7作為基波，進行了5層小波分解。然后對1至5層的高頻系數進行相應的量化處理，得到新的系數。根據分解得到的5階低頻系數和通過閾值處理后的每層高頻系數進行重構，實現信號的去噪。以大腿處的X軸方向加速度信號為例，圖3為某一段時間內大腿處的X軸方向加速度信號的原始信號與濾波后的信號，其中虛線為傳感器采集的原始信號，實線為經過小波降噪后的信號。可以明顯看出經過濾波的信號具有較好的周期性，有利于之后的數據分析。
圖3
大腿處X 軸加速度信號濾波
Figure3.
The filtered acceleration signal of the thigh in X-axis
穿戴者在穩定步速行走情況下與步速意圖變化情況下的人-機約束力信號如圖4所示，以3.0 km/h的速度平穩行走與從3.0 km/h加速到3.6 km/h為例，測量一段時間內人-機約束力的變化。從圖中可以看出，當穿戴者在沒有步速意圖變化時，約束力在某一范圍內波動，當有意圖變化時，約束力的變化范圍超出穩定行走時的范圍。在之后的意圖識別中充分將該現象引入識別模型中，以提高意圖識別的準確性。
圖4
步速意圖無變化與意圖變化下的壓力信號對比圖
Figure4.
The comparison of pressure signals between no change in intention and change in intention
1.2 信號的特征分析與特征值的提取
對于可穿戴傳感器產生的數據流信號，應對其進行數據分割，提取階段性的有效數據。采用基于時間窗口的數據分割方法，利用重疊50%的滑動時間窗口，窗口期0.5 s即截取50幀的數據信號。人體行走一個周期的時間為1～2 s，因此選取0.5 s為滑動窗口，并結合重疊50%的窗口值，可以保證每一幀數據有兩次的使用效率，既不會造成數據浪費，又不會產生數據丟失的情況。在數據采集時，以當前時刻為節點，截取前0.5 s的數據作為滑動窗口 ：
|
式中m為當前窗口數；Tt為傳感器的數據，角標為當前的幀數值，l表示窗口的大小。由于截取了當前時刻前0.5 s的數據，因此窗口包含50幀的數據量，l = 50。
當取下一個窗口時，t經過50幀后再取前50幀的數據作為滑動窗口 ，以此取得重復覆蓋率為50%的窗口。
信號的特征值選取一般分為時域和頻域方法，以Y方向大腿處的加速度信號為例比較時域信號和頻域信號，如圖5所示。
圖5
時域與頻域信號對比圖
Figure5.
The comparison of time domain and frequency domain signal
本文在時域信號特征值提取中通常從最大值、最小值、均值和方差四個特征進行觀察，從圖5中左圖可以看出不同步速下的上述特征變化差異并不明顯，如最大值均在0 ～ ? 0.5 g間，最小值均在? 0.5 ～ ? 1.0 g間；而圖5中右圖可以看出在不同步速下信號所包含的頻率幅值不同，可以直觀地縱向對比。因此，從圖5中可以看出，在不同步速下時域信號的特征值不如頻域信號的特征值變化明顯，最終選用提取快速傅里葉變換（fast Fourier transform，FFT）系數作為特征值。使用了兩個傳感器的六維信號（三軸加速度和三軸角速度）構成了12維的數據信號，每個時間窗口分別提取前5階的FFT系數為特征值，最終使用5 × 12的系數矩陣組成了60維的特征向量，使用該特征向量作為步速意圖識別模型的輸入樣本。
2 SVM-HMM模型
SVM-HMM模型是由SVM和HMM兩部分組成，SVM是一種非線性可分問題的模型，HMM是一種統計學分析模型，利用狀態轉移矩陣和觀測概率矩陣，分析出觀察值的概率并進行判斷。由于HMM的隱狀態之間的概率轉換不能直接觀察，所以利用SVM先對樣本進行離線識別，求出觀察概率矩陣，再通過HMM結合行走規律性特征與步速意圖變化規律，通過前向后向算法得到觀察值的概率，對步速意圖進行預測，利用該模型可有效提高識別效率。
2.1 SVM模型
SVM是一種使用小樣本數據量進行識別的分類方法，并已經在下肢運動識別中有很廣泛的應用。將由加速度與角速度信號的特征值組成的特征向量作為樣本，通過內積核函數定義的非線性變換尋找最優分類面，使訓練樣本與分類面距離最大。最優分類超平面表達式如下：
|
其中ω為權值向量；C為懲罰參數，用于控制錯分樣本的懲罰控制；ξi為松弛變量且ξi ≥ 0。對于非線性可分問題，使用核函數的方法，可將樣本空間映射到線性可分的空間，因此選用合適的核函數是SVM的關鍵。本文采用徑向基核函數又稱高斯核函數，其表達式如下：
|
其中g為核半徑。懲罰參數C和核半徑g是根據訓練樣本的數據自動搜索調整得到的最優參數。將初始C和g的范圍代入調試，以固定步長進行迭代調整以得到最優的參數[24]。
2.2 HMM模型
隱馬爾科夫模型是一種統計分析模型，用于解決事物間雙重隨機性關系問題。最早提出時主要用于語音識別技術，隨著傳感器技術的發展，也開始廣泛應用于人體運動意圖識別[25]。根據行走過程中前后兩步步速變化的規律性特點，調整HMM中的狀態轉移矩陣，用于表示前后兩步之間的步速轉換模型。
隱馬爾科夫模型使用五元組表示：
|
N表示隱態模組數；M表示每個狀態可能輸出的觀察數目；根據需要識別的步速范圍，將隱態S分為3.0、3.3、3.6、3.9、4.2、4.5、4.8 km/h七個步速狀態，狀態 ，步速的變化只存在于七種步速下的轉換，因此N = M = 7，表示隱狀態為七種觀察狀態。
Π表示初始概率矩陣，即第一種步速被選擇的概率，由于初始步速是不確定的，使用均勻分布作為初始概率。
|
A為狀態轉移概率矩陣，表示當前狀態Si轉換為下一狀態Sj的概率。
|
式中qt表示為在當前時刻下的狀態，qt+1表示為下一時刻下的狀態，aij表示為矩陣A的第i行第j列元素。
通過對行走特征的判斷結合行走變化規律，步速變換是連續的，且下一時刻的步速跟當前時刻的步速有很強的關聯性，將狀態轉移概率用正態分布的形式計算，來模擬連續行走時的步速轉換，以此使得預測結果更接近真實狀態。
Ai為A的某一行，表示為當前步速狀態轉移為下一步速狀態的概率，服從標準正態分布。
|
其均值處的狀態為當前步速值狀態，因此下一步速狀態的概率最大值處的狀態位于當前步速值狀態處。另外在均值概率最大的狀態處增加了偏移因子項k，以修正穿戴者非正常加速情況下的狀態轉移矩陣。改進后的狀態轉移矩陣每一行Ai為：
|
計算得到狀態轉移概率如下式：
|
偏移因子k是由安裝在穿戴者小腿與外骨骼捆綁處的壓力信號決定的。由于穿戴者與外骨骼機械裝置的約束作用，導致穿戴者的意圖會因機械裝置的約束或電機執行機構的慣性滯后而削弱或改變，因此單獨使用慣性傳感器不能很好地描述步速意圖。本方法使用安裝在穿戴者小腿與綁腿之間的彈簧-壓力傳感器來體現真實的穿戴者步速意圖。當穿戴者的步速意圖有變化時，首先通過彈簧裝置將人-機之間的壓力信號作用到壓力傳感器上，一般情況下外骨骼與人處于相互協調的狀態，壓力信號為零或零附近的范圍內，k取值為零，然而在穿戴者有加速或減速意圖的情況下，通過圖4可以看出壓力信號會發生突變，F表示當前時刻的壓力值，通過測量將F進行量化，量化刻度為α，則k的計算如下：
|
在上式中求得k的值后代入公式(8)～(9)中，若i + k超出范圍，就取其邊緣值。
B為狀態Si的觀測概率分布矩陣，表示狀態為Si時輸出為觀察狀態Vj時的概率。
|
式中ot表示為在當前時刻下的觀察狀態，bij表示為矩陣B的第i行第j列元素，bij是由SVM輸出模型建立的，使用離線SVM識別方法，計算出當前狀態為Si時，SVM模型識別為觀察狀態Vj時的概率。
HMM模型的求解是使用維特比算法（前向后向算法），先使用狀態轉移矩陣A前向計算概率，再利用觀測概率矩陣B后向計算，求出下一時刻每個狀態的最大概率。
前向概率計算公式如下：
|
后向概率計算公式如下：
|
求得狀態o在狀態Si下的最大概率，那么該狀態o為該模型最終預測的步速結果。
3 模型的訓練與識別結果
本文將SVM與HMM結合作為識別模型，先以SVM模型離線訓練，將其識別結果的混淆矩陣作為HMM的觀測概率矩陣B，進而得到SVM-HMM的步速預測模型，在線預測時使用SVM進行識別，然后將識別結果通過HMM分析最終得到步速預測結果，其步速識別過程如圖6所示。
圖6
SVM-HMM步速預測模型流程圖
Figure6.
The flow chart of SVM-HMM pace prediction model
外骨骼穿戴者在跑步機上分別以七種不同的速度行走，每種步速下采集250個窗口作為樣本，共1 750組樣本。以每種步速下200個窗口的數據作為訓練樣本，每種步速下50個窗口的數據作為測試樣本。求得SVM離線識別結果如表1所示。
表1
SVM模型離線識別混淆矩陣
Table1.
The confusion matrix of SVM model offline recognition
從表1中可以看出，由信號干擾和外骨骼機械結構的約束性等問題引起的誤識別結果的出現是隨機的，即會出現由高速狀態突然識別到低速狀態的情況。將該識別結果統計為觀測概率矩陣B樣式：
|
另外根據式(8)～(9)(k=0的情況下)可以得出狀態轉移矩陣A為：
|
將狀態轉移矩陣A和觀測概率矩陣B代入式(4)中的HMM模型中，即得到完整的SVM-HMM模型。然后對該模型進行在線識別測試，穿戴者以每種固定的速度行走，再采集每組連續的20個新窗口的數據即140組樣本進行識別。先使用SVM在線識別，再使用HMM模型對該結果進行觀測狀態的計算與判斷，最終得到預測的步速狀態。結果如表2所示，平均識別率達到了92.14%。表2中的數據為整體的識別，而穿戴者的行走是連續的，連續行走的識別結果如圖7所示。
表2
SVM-HMM模型在線識別混淆矩陣
Table2.
The confusion matrix of SVM-HMM model online recogni tion
圖7
連續行走下SVM-HMM模型預測結果
Figure7.
The prediction results of SVM-HMM model under conti nuous walking
從圖7中可以明顯看出，誤識別的結果僅在其相鄰的一個狀態中，在識別結果不是很精確的前提下，最大誤差范保持在0.3 km/h以內，整體識別率為92.14%，比單獨使用SVM算法識別步速意圖更為準確。當連續行走20個窗口時，此時為平穩行走，有較好的識別效果。由于步速的變化并非經常出現，本文方法的主要作用為平穩變化時步速的識別，并且降低誤識別結果與真實結果相差較大的概率。在識別結果圖7中，可以看出在窗口20、40、60、80、100、120時，步速發生平穩的變化，可以實現步速的預測，并將所有的誤差保持在一個相鄰狀態之間，從算法原理上解決了人-機之間的約束力對步速意圖的影響，避免了將高速意圖識別為低速意圖或將低速意圖識別為高速意圖的情況。
4 結論
本文提出了一種基于SVM-HMM的外骨骼穿戴者下肢行走速度的識別方法，主要應用為下肢外骨骼穿戴者的步速意圖識別。首先根據模式識別中行走的特征，提出并使用了SVM-HMM識別方法，把行走的步速分為了七種步速狀態。接著穿戴者在跑步機上以七種步速行走，采集粘貼在大腿和小腿外側處的加速度和角速度信號和小腿處彈簧-壓力傳感器的人-機約束力信號。然后提取了加速度信號與角速度信號的FFT系數做特征值，使用SVM-HMM模型用于對當前時刻的步速預測。最后試驗結果表明，步速識別率達到92.14%。根據行走的規律和人-機約束力的變化改進了HMM的狀態轉移矩陣，更加準確地描述了穿戴者的步速意圖變化。最終使得誤識別結果的范圍均保持在一個步速狀態之內。而傳統的步速識別方法沒有考慮到人-機約束力對穿戴者步速意圖的影響，使識別結果與正確結果之間出現相差很大的情況，導致結果突變，最終會對之后的控制產生巨大的影響。
本文從識別算法的原理上進行改進，同時使用慣性信號和約束力信號進行步速意圖識別，能更好地識別出步速意圖，避免了識別狀態與步速意圖相差巨大的情況，并使識別精度明顯提高，基本解決了識別結果突變與識別意圖不準確的情況。
重要聲明
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
作者貢獻聲明：胡冬進行實驗設計、數據收集、數據分析和論文寫作工作；劉作軍、陳玲玲參與實驗設計和論文寫作工作；王倩參與數據收集、數據分析工作。
倫理聲明：本研究通過了河北工業大學生物醫學倫理委員會的審批（批文編號：HEBUThMEC2020008）。
