步态信号采集与分类平台的设计与实现

陈东毅　李玉榕

摘要：低成本、易实施、无接触式的步态信号采集与分类平台可为步态的定量评估、智能诊断提供新的研究路径与参考思路。应用改进经验模态分解（empirical mode decomposition， EMD）结合Bagging正则化共空间模式（Bagging regularized common spatial pattern， BRCSP）与Fisher线性判别分析法（Fisher linear discriminant analysis， FLDA）设计了步态信号采集与分类平台。该平台将采集到的步态信号通过改进EMD进行滤波，抑制高频干扰噪声，提取真实、有用的本征模态分量（intrinsic mode function， IMF）进行信号重构，从而得到包含完整、准确步态信息的信号;再通过BRCSP特征提取方法强化步态信号的个体差异性及共同特征，提取出显著的特征分量;最后应用FLDA方法将特征向量映射到低维度空间中并进行步态分类。实验结果表明，该平台能准确分类进入红外、激光检测区域内的不同步态，平均分类准确率达到96.6%。

关键词：步态识别;特征分类;改进的经验模态分解;Bagging正则化共空间模式;Fisher线性判别分析法

中图分类号：TP273;R318文献标志码：A

人在指定的红外、激光探测区域行走时会产生幅值持续变化的电信号，将该信号经过软硬件处理后可以用于表征人的步态特征信号，该特征信号直观反应了人的行走状态与健康状况[1]。特别是在足下垂患者的临床康复中，步态的检测、分析对揭示患者异常步态的成因、制定康复训练计划与后期的康复状态评估起到了至关重要的作用[2-5]。

目前，主要的步态评估方法有主观观察法和量表评分法，部分研究机构会利用三维运动捕捉系统和测力平台进行评估。主观观察法带有明显的个人主观差异，步态评估的可靠性不足;量表评分法提供的步态信息不够客观、准确;三维运动捕捉系统和测力平台与之相比虽具有较好的准确性和可靠性，但昂贵的价格、高门槛的技术要求和场地的限制等因素导致了其无法在临床诊断中得到大规模的使用[6-9]。鉴于此，如何在实时变化的步态信号中准确并快速地表征不正常的步态信息是步态评估的关键所在，搭建低成本、易实施、无接触式的步态信号采集与分类平台是将步态评估方法进行实际临床应用的重要举措。

为了解决上述的问题，本文提出了改进经验模态分解（empirical mode decomposition， EMD）结合Bagging正则化共空间模式（Bagging regularized common spatial pattern， BRCSP）与Fisher线性判别分析法（Fisher linear discriminant analysis， FLDA）的步态识别新方法，并设计了一套基于红外、激光等探测器的步态检测与分类实验平台。通过理论论证和实验验证表明，该平台实现了步态自动识别的功能;能准确表征异常步态信息，为步态的健康评估提供科学依据。

1改进的步态信号经验模态分解

非线性、非平稳的步态信号经过传统EMD后，会得到含有低频虚假的、有限阶次的本征模态分量（intrinsic mode function， IMF）。为了得到既包含步态特征信息又无高频干扰噪声的步态信号，文献[1]和[10]提出了改进的EMD算法，克服了传统EMD分解对低频段步态信号特征分析的影响，从而获得准确的步态信号。

1.1能量矩占比

计算各阶IMF能量與步态信号总能量的占比，对比后筛选出占比大的IMF分量，滤除虚假的IMF分量[1，10]。

1.3步态信号分解与重构

2Bagging正则化共空间模式算法

共空间模式（common spatial pattern， CSP）是一种适用于二分类判别的空间滤波器，通过构造最优空间滤波器，使多通道的步态信号矩阵的方差值差异最大化，得到具有明显区分度的特征向量[11-12]。正则化空间模式（regularized common spatial pattern， RCSP）算法优化了CSP算法对噪声敏感的问题，但该算法的稳定性与分类准确度有待提高[13-14]。

本文将提前采集到的步态数据作为步态训练样本数据包，利用Bagging思想即通过重复选取训练样本数据包的方法，将训练的样本数据以数据包的形式进行划分。Bagging正则化共空间模式（Bagging regularized common spatial pattern， BRCSP）算法继承了RCSP中关于迁移学习的算法理念，将其他被试者的步态数据加入到RCSP的算法中，计算被试者信号的协方差矩阵，最后求出具有显著特征的特征分量;该算法的优势在于强化了步态信号的个体差异性，保留共有特征及提高算法的准确度[15]。

2.1被试者步态信号的协方差矩阵

2.2基于BRCSP的协方差矩阵估计

3步态信号的Fisher分类判别

4步态信号的分类过程

5步态信号检测与分类平台的设计

5.1平台的硬件设计

基于红外、激光探测器等搭建了步态信号检测与分类平台。该平台主要由前端探测器模块、电平转换电路、信号调理电路、电源供电电路、STM32控制器，以及步态信号特征提取模块、步态信号特征分类模块、分类结果液晶显示模块等组成;其中前端探测器模块由红外探测器、激光测距传感器、红外光栅阵列等组成。平台的硬件结构设计和电路实物图如图2、3所示。

该平台搭配选用多种传感器模块，通过搭建电平转换电路与信号调理电路实现步态信号的预处理。STM32控制器主要负责步态信号特征提取与分类的算法运行，通过串口通信将步态信号与分类结果显示到液晶屏上，实现对进入检测区域的步态信号自动检测与分类的功能。17C5BFFA-819E-4E5F-A356-A5E399293C51

5.2平台的软件流程设计

本文设计的步态信号检测与分类平台的软件运行流程，如图4所示。软件开始运行时，前端各传感器工作在正常状态下，主程序静默等待步态信号的触发，之后对触发的信号进行特征提取，判定是否为步态信号，再对步态进行分类，最后将步态信号、分类结果一同显示到LCD液晶屏。

6结果分析

6.1步态信号采集

在指定的探测区域内有步态信号产生，前端探测器采集到幅值连续变化的电信号经过电平转化、信号调理等处理后的正常、非正常步态信号，如图5所示。

6.2步态信号的特征提取与分类

经过EMD后的步态信号各阶IMF分量能量矩占比T、方差贡献率M分别由式（2）、（3）给出，表1给出了步态信号的特征参数。

对前5阶IMF分量运用线性插值法进行信号重构，重构后的步态信号经过BRCSP、FLDA后的特征分类，如图6所示。

由图6可知：经过改进EMD滤波和BRCSP特征提取等处理后的步态信号，在FLDA上可以找到最佳投影轴实现正常与非正常步态的准确分类，分类结果之间具有明显的类间间距和类内间距，使得步态的个性差异化和共有特征得到完整体现。为了进一步提高步态分类的精度，通过建立大量的正常、非正常步态数据集来强化不同步态之间的特征值。

6.3实验结果

利用步态信号实验平台对不同测试者在不同的步行速度下进行步态二分类实验，结果见表2。测试者1～3模拟足下垂患者的步态，测试者4～5模拟正常人的步态;测试者以0.15、0.20、0.25、0.30、0.35 m/s的步速通过同一个红外、激光探测区，步速分别以v₁、v₂、v₃、v₄、v₅表示。实验结果表明该平台对步态能做出准确的分类。

为了充分验证新方法的有效性和可行性，利用本文设计的硬件平台进行大量的步态信号采集实验，然后利用支持向量机（support vector machines， SVM）、BP神经网络、RBF神经网络、CNN卷积神经网络进行步态二分类识别的对比实验。其中，支持向量机中最优参数惩罚因子c与基于高斯径向基RBF的核函数参数g是通过网格法进行全局搜索并寻优后得到的;BP神经网络隐含层神经元个数为12，输入层与隐含层之间是tansing函数，隐含层与输出层之间是purelin函数，迭代次数为100，训练的误差目标设置为0.000 01;RBF神经网络的最大神经元个数为3 000，训练的误差目标设置为0.000 01;CNN卷积神经网络由8层网络组成，输入层为32×16的数据量，卷积层有2个特征图，卷积核大小为5×5[19]。测试者仍以0.15、0.20、0.25、0.30、0.35 m/s的步速经过探测区域，步速分别以v₁、v₂、v₃、v₄、v₅表示，每种步速进行30次实验。对经过5种不同算法计算后得到的步态分类准确率进行对比，结果见表3。

由表3可以看出，本文算法较其他算法具有更高的分类精度，表明该算法对步态特征提取是准确有效的。对算法的耗时进行比较发现，本文算法基于矩阵的运算，不涉及模型、网络的建立，算法矩阵的计算量很小;但前4种算法需要进行网络的优化和参数的迭代，耗时长、计算量大，说明复杂的智能化算法对系统的耗时影响显著，不利于软件算法的实现，会导致平台总体造价的提高。综上所述，本文提出的算法相較于其他算法，在分类准确率、识别快速性及算法实现方面等问题上具有一定的优势。

7结论

本文应用改进EMD，结合BRCSP与FLDA判别法，设计了一个能够准确识别步态信号的平台，实验结果表明该平台对步态信号的平均识别准确率达到96.6%。相比现有的步态评估系统，该平台的优势表现在：步态信号的共有特征及个体步态的差异性得到有效的强化;平台的硬件组成结构简单、模块化设计，软件算法易于实现，总体造价低廉;不受测试环境、空间条件的约束，平台易于在有限的空间内进行部署并实现步态的快速检测与分类;无接触式的步态检测极大地降低了对被试者的外部干扰，免除了穿戴式传感器等检测装置需要保证牢固穿戴、设备重复标定的困扰。

下一步的工作方向是进一步改进算法，通过建立大量的步态数据样本集来强化正常、非正常步态的特征值，进一步提高步态分类的精度，同时细化非正常步态的分类结果，实现对非正常步态不同严重程度的评估，预测人体的康复状态及健康趋势。参考文献：

[1]陈东毅， 陈建国， 李玉榕. 结合人体移动特征频率提取新方法的红外探测实验教学平台的设计[J].实验技术与管理， 2020， 37（6）： 107-111.

[2] 李光耀. 基于角速度传感器的人体下肢运动识别[D]. 天津： 河北工业大学， 2013.

[3] ZDRAGKAS G I， AVARITSIOTIS J N. Gait analysis and automatic gait event identification using accelerometers [C]//IEEE International Conference on Bioinformatics and Bioengineering. Athens： IEEE， 2008： 1-6.

[4] DEJNABADI H， JOLLES B M， AMINIAN K. A new approach to accurate measurement of uniaxial joint angles based on a combination of accelerometers and gyroscopes[J]. Biomedical Engineering， 2005， 52（8）： 1478-1484.17C5BFFA-819E-4E5F-A356-A5E399293C51

[5] FERRARELLO F， BIANCHI V A， BACCINI M， et al. Tools for observational gait analysis in patients with stroke： a systematic review[J]. Physical Therapy & Rehabilitation Journal， 2013， 93（12）： 1673-1685.

[6] TORO B， NESTER C， FARREN P. A review of observational gait assessment in clinical practice[J]. Physiothe-rapy Theory and Practice， 2003， 19（3）： 137-149.

[7] FRENKEL T S， GILADI N， PERETZ C， et al. Effect of gait speed on gait rhythmicity in parkinsons disease： variability of stride time and swing time respond differently[J]. Journal of NeuroEngineering and Rehabilitation， 2005， 2（1）： 23-27.

[8] CLARK R A， PUA Y H， FORTIN K， et al. Validity of the microsoft kinect for assessment of postural control[J]. Gait & Posture， 2012， 36（3）： 372-377.

[9] 朱业安， 徐唯伟， 王睿， 等. 偏瘫步态障碍的自动识别和分析[J]. 生物医学工程学杂志， 2019， 36（2）： 306-314.

[10]陈东毅， 陈建国， 李玉榕. 改进经验模态分解与谱峭度法的步态信号特征分析[J]. 福州大学学报（自然科学版）， 2019， 47（5）： 630-634.

[11]KANG H， NAM Y， CHOI S. Composite common spatial pattern for subject-to-subject transfer[J]. IEEE Signal Processing Letters， 2009， 16（8）： 683-686.

[12]LOTTE F， GUAN C. Regularizing common spatial patterns to improve BCI designs： unified theory and new algorithms[J]. IEEE Transactions on Biomedical Engineering， 2011， 58（2）： 355-362.

[13]LU H P， ENG H-L， GUAN C， et al. Regularized common spatial pattern with aggregation for EEG classification in small-sample setting[J]. IEEE transactions on Biomedical Engineering， 2010， 57（12）： 2936-2946.

[14]LOTTE F， GUAN C. Regularizing common spatial patterns to improve BCI designs： unified theory and new algorithms[J]. IEEE Transactions on Biomedical Engineering， 2011， 58（2）： 355-362.

[15]張毅， 尹春林， 蔡军， 等. Bagging RCSP 脑电特征提取算法[J]. 自动化学报， 2017， 43（11）： 2044-2050.

[16]苏祖强， 汤宝平， 刘自然， 等. 基于正交半监督局部Fisher判别分析的故障诊断[J]. 机械工程学报， 2014， 50（18）： 7-13.

[17]薛忠军， 王佳妮， 张肖宁. 基于Fisher函数的水泥路面板底脱空判别方法[J]. 振动与冲击， 2013， 31（17）： 155-160.

[18]付荣荣， 田永胜， 鲍甜恬. 基于稀疏共空间模式和Fisher判别的单次运动想象脑电信号识别方法[J]. 生物医学工程学杂志， 2019， 36（6）： 911-915， 923.

[19]贾晓辉， 王涛， 刘今越， 等.基于人体模型映射的步态识别及意图感知方法[J]. 仪器仪表学报， 2020， 41（12）： 236-244.

（责任编辑：周晓南）

Design and Implementation of Gait Signal Acquisition

and Classification Platform

CHEN Dongyi LI Yurong

（1.College of Electrical Engineering and Automation， Fuzhou University，Fuzhou 350108， China;

2.Fujian Key Lab of Medical Institute and Pharmaceutical Technology， Fuzhou University，Fuzhou 350108， China）Abstract： Low cost， easy implementation and non-contact gait signal acquisition and classification platform can provide a new research path and reference ideas for quantitative evaluation and intelligent diagnosis of gait. A gait signal acquisition and classification platform is designed by using improved empirical mode decomposition（EMD） combined with Bagging regularized common spatial pattern（BRCSP） and Fisher linear discriminant analysis（FLDA）. The collected gait signals are filtered by improved EMD to suppress high-frequency noise and extract the real and useful intrinsic mode function（IMF） for signal reconstruction， thus obtaining complete and accurate gait signals by this platform. BRCSP feature extraction method is used to enhance individual differences and common features of gait signals， and significant feature components are extracted. The feature vector is projected into the lower spaces with FLDA and then classify the gait. Experimental results show that the proposed method can accurately classify different gaits in infrared and laser detection regions， with an average classification accuracy of 96.6%.

Key words： gait recognition; characteristics classification; improved empirical mode decomposition; Bagging regularity common apatial pattern; Fisher discriminant analysis17C5BFFA-819E-4E5F-A356-A5E399293C51