Gait recognition based on feature-level fusion of motion posture and surface electromyography_Journal of Biomedical Engineering

Authors：

 MA Chao ¹ , LI Mu ¹ , YAO Jie ²

1. School of Mechanical and Electrical Engineering, Key Laboratory of Modern Measurement and Control Technology, Ministry of Education, Beijing Information Science and Technology University, Beijing 100192, P. R. China;
2. School of Biological Science and Medical Engineering, Beihang University, Beijing 100191, P. R. China;

Corresponding?author：

MA Chao, Email: mach2006@126.com

Keywords：

Feature-level fusion; XGBoost; Motion posture; Surface electromyography

DOI：

10.7507/1001-5515.202509001

Video：

Export PDF Favorites Scan Get Citation

Abstract Full text Figures/Tables Video References Cited by

To address the problems of misidentification of similar gaits, excessive feature dimensionality, and computational complexity in gait recognition, this paper proposes a gait recognition method based on feature-level fusion. After validating the complementarity between motion posture signals and surface electromyography (sEMG) signals, parameters in the time, frequency, and time-frequency domains of the two types of signals were extracted. Based on the energy distribution of acceleration, angular velocity, and angle signals from motion posture signals, feature-level fusion was performed. A dual constraint strategy combining Gain-based discriminability filtering and energy-ratio stability filtering was adopted to reduce feature dimensions, yielding the most discriminative feature subset, upon which the XGBoost model was applied for gait recognition. Experimental results showed that the proposed method improved the average recognition accuracy by 8.6% over the baseline model that used only motion posture signals, reaching 95.8%. Specifically, the accuracies for forward, backward, and turning gaits reached 89.8%, 95.2%, and 97.3%, respectively, effectively reducing the misidentification rates for these three similar gaits. Furthermore, the feature-level fusion strategy effectively improved computational efficiency, and the energy distribution-based feature selection strategy reduced the impact of background noise on feature parameter perturbations, thereby enhancing model stability. This method provides strong technical support and engineering application value for gait feature parameter identification and real-time intelligent gait recognition control of exoskeletons.

Citation： MA Chao, LI Mu, YAO Jie. Gait recognition based on feature-level fusion of motion posture and surface electromyography. Journal of Biomedical Engineering, 2026, 43(3): 598-606. doi: 10.7507/1001-5515.202509001 Copy

1.	黃灶榮, 王春寶, 韋建軍, 等. 腦卒中患者異常步態的識別分類技術. 人工智能與機器人研究, 2023, 12(2): 84-96.
2.	李明, 李慧, 喻洪流. 下肢外骨骼康復機器人的分類及其應用現狀. 生物醫學工程學雜志, 2024, 41(4): 833-839.
3.	朱鵬霖, 蘇宗信, 唐家曦, 等. 基于肩部肌肉表面肌電的下肢外骨骼控制系統. 北京生物醫學工程, 2022, 39(2): 123-128.
4.	Haji Hassani R, Bannwart M, Bolliger M, et al. Real-time motion onset recognition for robot-assisted gait rehabilitation. J Neuroeng Rehabil, 2022, 19(1): 11.
5.	錢興. 基于多傳感器信息的步態識別方法研究. 太原: 中北大學, 2022.
6.	彭仲康, 崔興然, 張政波, 等. 可穿戴設備: 評估與監測人體生理狀態的展望. 生物醫學工程學雜志, 2023, 40(6): 1045-1052.
7.	劉曉光, 李奐良, 婁存廣, 等. 基于支持向量機的表面肌電信號和加速度融合跌倒識別方法. 現代生物醫學進展, 2020, 20(2): 385-390.
8.	付明凱, 王少紅, 馬超. 基于Densenet模型的步態相位識別研究. 電子測量技術, 2025, 48(1): 119-128.
9.	徐鑫德. 基于特征融合的步態目標檢測與識別方法研究. 哈爾濱: 哈爾濱工程大學, 2024.
10.	高經緯, 馬超, 蘇鴻, 等. 基于改進機器學習算法的步態識別與預測研究. 生物醫學工程學雜志, 2022, 39(1): 103-111.
11.	徐國峰, 陳凱, 楊穎. 一種足壓檢測結合Azure Kinect系統的步態信號采集與參數表征方法. 生物醫學工程學雜志, 2023, 40(2): 350-357, 364.
12.	顏兵兵, 宋佳寶, 單琳娜, 等. 基于足壓與姿態信息融合的步態相位識別方法. 兵器裝備工程學報, 2025, 46(5): 177-184.
13.	肖健, 黨選舉. 多域特征融合的腦電信號肢體運動特征提取與動作識別. 電子測量技術, 2024, 47(18): 23-30.
14.	魏永超, 謝衛鑫, 張婭嵐, 等. 基于多尺度特征融合的跨視角點云步態識別. 電子測量技術, 2025, 48(10): 109-116.
15.	Shi L F, Liu Z Y, Zhou K J, et al. Novel deep learning network for gait recognition using multimodal inertial sensors. Sensors, 2023, 23(2): 849.
16.	Ettefagh A, Roshan Fekr A. Enhancing automated lower limb rehabilitation exercise task recognition through multi-sensor data fusion in tele-rehabilitation. Biomed Eng Online, 2024, 23(1): 35.
17.	滕洪釗, 鄧朝暉, 呂黎曙, 等. 多傳感器信息融合的加工過程狀態監測研究. 機械工程學報, 2022, 58(6): 26-41.
18.	郭洪瑞, 曹匯敏, 楊克奇, 等. 基于多通道雷達數據融合的人體心率精準測量. 生物醫學工程學雜志, 2024, 41(3): 461-468.
19.	鐘德寶. 基于多傳感器信息融合的步態識別研究. 廣州: 廣東工業大學, 2020.
20.	葉波, 文玉梅, 何衛華. 多分類器信息融合的步態識別算法. 中國圖象圖形學報, 2009, 14(8): 1627-1637.
21.	張志雯, 于乃功, 邊琰, 等. 基于多模態生理信號特征融合的情緒識別方法研究. 生物醫學工程學雜志, 2025, 42(1): 17-23.
22.	嚴仕嘉, 楊曄, 易鵬. 基于實時肌肉疲勞特征融合的表面肌電手勢識別增強算法. 生物醫學工程學雜志, 2024, 41(5): 958-968.
23.	Li M, Ma C, Wang S. Research on gait recognition by using 1DCNN based on lower limb kinematic posture data. IET Conf Proc, 2024, 2024(9): 495-501.
24.	汪步云, 繆龍, 吳臣, 等. 肌電和足壓信息融合的外骨骼步態識別. 兵器裝備工程學報, 2024, 45(1): 278-287.
25.	劉慶華, 王正勇, 秦予禛, 等. 結合多特征融合和Transformer的步態識別. 計算機技術與發展, 2025, 35(9): 15-22.
26.	Wang F, Yan L, Xiao J. Recognition of the gait phase based on new deep learning algorithm using multisensor information fusion. Sens Mater, 2019, 31(10): 3041-3054.
27.	李浩淼, 張含笑, 邢向磊. 聯合局部多尺度和全局上下文特征的步態識別. 智能系統學報, 2024, 19(4): 853-862.
28.	Li C, Cai Y, Li Y, et al. Fusion of dual sensor features for fall risk assessment with improved attention mechanism. Trait Signal, 2024, 41(1): 73-83.
29.	張健, 蔡峰, 李婷文, 等. 基于魚群算法對運動者疲勞步態的動作識別. 中國組織工程研究, 2025, 29(30): 6489-6498.
30.	沈澍, 張文昊, 丁浩, 等. 三維步態識別研究進展. 中國圖象圖形學報, 2024, 29(7): 1921-1933.
31.	陶帥, 胡泓彬, 孔麗文, 等. 基于步態特征的認知障礙量化評估方法研究. 生物醫學工程學雜志, 2024, 41(2): 281-287.
32.	馮磊, 趙興春, 周揚鈞. 多信息融合的步態偵查技術研究. 復雜系統與復雜性科學, 2025, 22(2): 73-81.
33.	王夢迪, 馬超, 王少紅, 等. 融合周期自適應機制與知識蒸餾的步態識別. 電子測量與儀器學報, 2026, 40(3): 282-290.
34.	袁穎嘉, 易艷梓, 李津, 等. 髖外展肌鍛煉對非創傷性股骨頭壞死患者三維步態及塌陷率的影響. 中國組織工程研究, 2025, 29(33): 7211-7216.
35.	謝政宇, 劉學廣, 張鞏, 等. 利用小波去噪進行步態加速度信號預處理. 武漢大學學報(信息科學版), 2022, 47(11): 1956-1962.
36.	徐鵬. 基于表面肌電信號的膝—踝關節康復訓練系統研究. 長沙: 中南大學, 2023.
37.	段成閣, 劉康康, 李福全. 步態識別技術綜述. 中國人民公安大學學報(自然科學版), 2022, 28(4): 75-80.
38.	蘇鴻, 馬超, 蘇鵬, 等. 基于XGBoost的下肢步態相位識別研究. 電子測量與儀器學報, 2023, 37(3): 95-101.
39.	李占山, 劉兆賡. 基于XGBoost的特征選擇算法. 通信學報, 2019, 40(10): 101-108.
40.	李沐, 馬超, 姚杰, 等. 基于運動姿態和表面肌電數據融合的多數據流神經網絡步態識別. 電子測量與儀器學報, 2025: 1-9.

1. 黃灶榮, 王春寶, 韋建軍, 等. 腦卒中患者異常步態的識別分類技術. 人工智能與機器人研究, 2023, 12(2): 84-96.
2. 李明, 李慧, 喻洪流. 下肢外骨骼康復機器人的分類及其應用現狀. 生物醫學工程學雜志, 2024, 41(4): 833-839.
3. 朱鵬霖, 蘇宗信, 唐家曦, 等. 基于肩部肌肉表面肌電的下肢外骨骼控制系統. 北京生物醫學工程, 2022, 39(2): 123-128.
4. Haji Hassani R, Bannwart M, Bolliger M, et al. Real-time motion onset recognition for robot-assisted gait rehabilitation. J Neuroeng Rehabil, 2022, 19(1): 11.
5. 錢興. 基于多傳感器信息的步態識別方法研究. 太原: 中北大學, 2022.
6. 彭仲康, 崔興然, 張政波, 等. 可穿戴設備: 評估與監測人體生理狀態的展望. 生物醫學工程學雜志, 2023, 40(6): 1045-1052.
7. 劉曉光, 李奐良, 婁存廣, 等. 基于支持向量機的表面肌電信號和加速度融合跌倒識別方法. 現代生物醫學進展, 2020, 20(2): 385-390.
8. 付明凱, 王少紅, 馬超. 基于Densenet模型的步態相位識別研究. 電子測量技術, 2025, 48(1): 119-128.
9. 徐鑫德. 基于特征融合的步態目標檢測與識別方法研究. 哈爾濱: 哈爾濱工程大學, 2024.
10. 高經緯, 馬超, 蘇鴻, 等. 基于改進機器學習算法的步態識別與預測研究. 生物醫學工程學雜志, 2022, 39(1): 103-111.
11. 徐國峰, 陳凱, 楊穎. 一種足壓檢測結合Azure Kinect系統的步態信號采集與參數表征方法. 生物醫學工程學雜志, 2023, 40(2): 350-357, 364.
12. 顏兵兵, 宋佳寶, 單琳娜, 等. 基于足壓與姿態信息融合的步態相位識別方法. 兵器裝備工程學報, 2025, 46(5): 177-184.
13. 肖健, 黨選舉. 多域特征融合的腦電信號肢體運動特征提取與動作識別. 電子測量技術, 2024, 47(18): 23-30.
14. 魏永超, 謝衛鑫, 張婭嵐, 等. 基于多尺度特征融合的跨視角點云步態識別. 電子測量技術, 2025, 48(10): 109-116.
15. Shi L F, Liu Z Y, Zhou K J, et al. Novel deep learning network for gait recognition using multimodal inertial sensors. Sensors, 2023, 23(2): 849.
16. Ettefagh A, Roshan Fekr A. Enhancing automated lower limb rehabilitation exercise task recognition through multi-sensor data fusion in tele-rehabilitation. Biomed Eng Online, 2024, 23(1): 35.
17. 滕洪釗, 鄧朝暉, 呂黎曙, 等. 多傳感器信息融合的加工過程狀態監測研究. 機械工程學報, 2022, 58(6): 26-41.
18. 郭洪瑞, 曹匯敏, 楊克奇, 等. 基于多通道雷達數據融合的人體心率精準測量. 生物醫學工程學雜志, 2024, 41(3): 461-468.
19. 鐘德寶. 基于多傳感器信息融合的步態識別研究. 廣州: 廣東工業大學, 2020.
20. 葉波, 文玉梅, 何衛華. 多分類器信息融合的步態識別算法. 中國圖象圖形學報, 2009, 14(8): 1627-1637.
21. 張志雯, 于乃功, 邊琰, 等. 基于多模態生理信號特征融合的情緒識別方法研究. 生物醫學工程學雜志, 2025, 42(1): 17-23.
22. 嚴仕嘉, 楊曄, 易鵬. 基于實時肌肉疲勞特征融合的表面肌電手勢識別增強算法. 生物醫學工程學雜志, 2024, 41(5): 958-968.
23. Li M, Ma C, Wang S. Research on gait recognition by using 1DCNN based on lower limb kinematic posture data. IET Conf Proc, 2024, 2024(9): 495-501.
24. 汪步云, 繆龍, 吳臣, 等. 肌電和足壓信息融合的外骨骼步態識別. 兵器裝備工程學報, 2024, 45(1): 278-287.
25. 劉慶華, 王正勇, 秦予禛, 等. 結合多特征融合和Transformer的步態識別. 計算機技術與發展, 2025, 35(9): 15-22.
26. Wang F, Yan L, Xiao J. Recognition of the gait phase based on new deep learning algorithm using multisensor information fusion. Sens Mater, 2019, 31(10): 3041-3054.
27. 李浩淼, 張含笑, 邢向磊. 聯合局部多尺度和全局上下文特征的步態識別. 智能系統學報, 2024, 19(4): 853-862.
28. Li C, Cai Y, Li Y, et al. Fusion of dual sensor features for fall risk assessment with improved attention mechanism. Trait Signal, 2024, 41(1): 73-83.
29. 張健, 蔡峰, 李婷文, 等. 基于魚群算法對運動者疲勞步態的動作識別. 中國組織工程研究, 2025, 29(30): 6489-6498.
30. 沈澍, 張文昊, 丁浩, 等. 三維步態識別研究進展. 中國圖象圖形學報, 2024, 29(7): 1921-1933.
31. 陶帥, 胡泓彬, 孔麗文, 等. 基于步態特征的認知障礙量化評估方法研究. 生物醫學工程學雜志, 2024, 41(2): 281-287.
32. 馮磊, 趙興春, 周揚鈞. 多信息融合的步態偵查技術研究. 復雜系統與復雜性科學, 2025, 22(2): 73-81.
33. 王夢迪, 馬超, 王少紅, 等. 融合周期自適應機制與知識蒸餾的步態識別. 電子測量與儀器學報, 2026, 40(3): 282-290.
34. 袁穎嘉, 易艷梓, 李津, 等. 髖外展肌鍛煉對非創傷性股骨頭壞死患者三維步態及塌陷率的影響. 中國組織工程研究, 2025, 29(33): 7211-7216.
35. 謝政宇, 劉學廣, 張鞏, 等. 利用小波去噪進行步態加速度信號預處理. 武漢大學學報(信息科學版), 2022, 47(11): 1956-1962.
36. 徐鵬. 基于表面肌電信號的膝—踝關節康復訓練系統研究. 長沙: 中南大學, 2023.
37. 段成閣, 劉康康, 李福全. 步態識別技術綜述. 中國人民公安大學學報(自然科學版), 2022, 28(4): 75-80.
38. 蘇鴻, 馬超, 蘇鵬, 等. 基于XGBoost的下肢步態相位識別研究. 電子測量與儀器學報, 2023, 37(3): 95-101.
39. 李占山, 劉兆賡. 基于XGBoost的特征選擇算法. 通信學報, 2019, 40(10): 101-108.
40. 李沐, 馬超, 姚杰, 等. 基于運動姿態和表面肌電數據融合的多數據流神經網絡步態識別. 電子測量與儀器學報, 2025: 1-9.

Journal of Biomedical Engineering

Gait recognition based on feature-level fusion of motion posture and surface electromyography

Abstract Full text Figures/Tables Video References Cited by

Previous Article

Next Article

Format

Content