【技术实现步骤摘要】
本专利技术涉及步态识别，特别是涉及一种基于特征融合的下肢运动步态识别方法及系统。
技术介绍
1、本部分的陈述仅仅是提到了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
2、在下肢康复和运动评估领域，可穿戴设备的应用越来越广泛。这些设备通过实时监测和分析用户的步态数据，可以为康复治疗提供重要的反馈信息。然而，传统的步态识别技术主要依赖于单一类型的传感器，如力传感器或惯性测量单元(imu)，使得步态识别的精度和准确性上存在一定的局限性。力传感器主要捕捉地面反作用力，而imu则通过加速度计和陀螺仪捕捉运动的线性和角速度信息。尽管这些传感器能够提供有价值的步态信息，但单一传感器往往难以全面、精确地反映复杂的步态动态过程。
3、近年来，表面肌电图(semg)作为一种直接反映肌肉电活动的信号，得到了广泛关注。semg信号可以捕捉肌肉的激活模式，直接反映出佩戴者的运动意图，与步态过程中的肌肉活动密切相关。然而，由于semg信号存在易受噪声干扰、稳定性差等特点，仅依赖semg信号进行步态识别也存在一定问题，影响步态识别的准确性。
4、然而，由于表面肌电图和imu数据的数据类型不同，采样频率和数据格式可能不一致，使得将表面肌电图和imu数据结合应用于下肢运动步态识别存在信号同步和数据融合的挑战。
5、此外，semg信号易受噪声干扰，如电磁干扰、肌肉疲劳等，这些噪声可能会掩盖真实的肌肉活动信号，从而影响步态识别的准确性。
技术实现思路
1、为了解决现
2、第一方面，本专利技术提供了一种基于特征融合的下肢运动步态识别方法；
3、一种基于特征融合的下肢运动步态识别方法，包括：
4、获取待预测对象的表面肌电信号和运动惯性信号；
5、利用小波变换对所述表面肌电信号和所述运动惯性信号进行特征提取，获取步态特征并筛选最优特征组合；
6、通过训练好的步态识别模型对最优特征组合进行处理，以获取步态识别结果。
7、在一些实施方式中，在利用小波变换对所述表面肌电信号和所述运动惯性信号进行特征提取之前，还包括：
8、对表面肌电信号和运动惯性信号进行滤波处理，根据运动惯性信号中的加速度峰值或角速度变化确定步态周期的开始和结束点，将连续的表面肌电信号和运动惯性信号分割成单步周期。
9、在一些实施方式中，所述利用小波变换对所述表面肌电信号和所述运动惯性信号进行特征提取具体为：对所述表面肌电信号进行小波变换，提取小波系数、能量特征和熵特征；对所述运动惯性信号进行小波变换，提取加速度信号和角速度信号的时频域特征。
10、在一些实施方式中，训练所述步态识别模型具体为：利用标注有多种步态类型标签的表面肌电信号和运动惯性信号构造训练集，利用训练集，通过交叉熵损失函数和adam优化器对所述步态识别模型进行优化。
11、在一些实施方式中，对若干个步态特征进行特征筛选具体包括：
12、基于统计方法对若干个步态特征进行初步筛选，并评估每个步态特征与步态类别之间的相关性，根据相关性进行特征筛选，得到第一步态特征数据集；
13、通过基于模型的递归特征消除法对第一步态特征数据集进行筛选，确定第二步态特征数据集；
14、通过l1正则化对第二步态特征数据集进行稀疏化处理，得到最优特征组合。
15、在一些实施方式中，所述步态识别模型为多层感知机模型。
16、第二方面，本专利技术提供了一种基于特征融合的下肢运动步态识别系统；
17、一种基于特征融合的下肢运动步态识别系统，包括：
18、可穿戴设备本体，用于采集待预测对象的表面肌电信号和运动惯性信号；
19、数据处理模块，用于获取待预测对象的表面肌电信号和运动惯性信号；利用小波变换对所述表面肌电信号和所述运动惯性信号进行特征提取，获取步态特征并筛选最优特征组合；通过训练好的步态识别模型对最优特征组合进行处理，以获取步态识别结果。
20、第三方面，本专利技术提供了一种电子设备；
21、一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现上述基于特征融合的下肢运动步态识别方法的步骤。
22、第四方面，本专利技术提供了一种计算机可读存储介质；
23、一种计算机可读存储介质，其上存储有计算机程序/指令，该计算机程序/指令被处理器执行时实现上述基于特征融合的下肢运动步态识别方法的步骤。
24、第五方面，本专利技术提供了一种计算机程序产品；
25、一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述基于特征融合的下肢运动步态识别方法的步骤。
26、与现有技术相比，本专利技术的有益效果是：
27、1、本专利技术提供的技术方案，将表面肌电信号和运动惯性信号结合，为步态识别提供更加全面和精确的步态信息；结合机器学习技术，可以有效地处理和分析复杂的多模态数据，从而实现高精度的步态识别和评估。
28、2、本专利技术提供的技术方案，将semg特征和imu特征充分融合，以利用两种信号源的互补信息进行下肢运动的步态识别，具有更高的特征维度，能够更全面的描述步态的时空特性，为步态识别提供更丰富的特征信息，进而提高步态识别的准确度。
29、3、本专利技术提供的技术方案，将肌电图和惯性测量单元的数据采集、处理和步态识别集成到一体化可穿戴设备中，可以提供高精度、实时的步态评估，及时监测和反馈步态信息；集成加速度计、陀螺仪和semg模块，能够同时捕捉运动和生物电信号，从而提供全面的数据收集。设备内置32mb非易失性内存，可本地存储数据并通过蓝牙无线传输，大大提高了数据管理的灵活性。
30、4、本专利技术提供的技术方案，设备设计轻便、易于佩戴，使得步态数据采集和实时分析更加便捷，提高了数据的精度和测量的可靠性。这种基于机器学习的集成semg和imu的下肢可穿戴步态识别评估设备具有广泛的应用前景。它可以被康复中心、医疗机构和个人用户用于监控和改善步态异常，预防和治疗与步态相关的疾病，提高个体的运动能力和生活质量。
本文档来自技高网...【技术保护点】
1.基于特征融合的下肢运动步态识别方法，其特征在于，包括：
2.如权利要求1所述的基于特征融合的下肢运动步态识别方法，其特征在于，在利用小波变换对所述表面肌电信号和所述运动惯性信号进行特征提取之前，还包括：
3.如权利要求1所述的基于特征融合的下肢运动步态识别方法，其特征在于，所述利用小波变换对所述表面肌电信号和所述运动惯性信号进行特征提取具体为：对所述表面肌电信号进行小波变换，提取小波系数、能量特征和熵特征；对所述运动惯性信号进行小波变换，提取加速度信号和角速度信号的时频域特征。
4.如权利要求1所述的基于特征融合的下肢运动步态识别方法，其特征在于，训练所述步态识别模型具体为：利用标注有多种步态类型标签的步态特征构造训练集，利用训练集，通过交叉熵损失函数和Adam优化器对所述步态识别模型进行优化。
5.如权利要求4所述的基于特征融合的下肢运动步态识别方法，其特征在于，对若干个步态特征进行特征筛选具体包括：
6.如权利要求1所述的基于特征融合的下肢运动步态识别方法，其特征在于，所述步态识别模型为多层感知机模型。
<...【技术特征摘要】
1.基于特征融合的下肢运动步态识别方法，其特征在于，包括：
2.如权利要求1所述的基于特征融合的下肢运动步态识别方法，其特征在于，在利用小波变换对所述表面肌电信号和所述运动惯性信号进行特征提取之前，还包括：
3.如权利要求1所述的基于特征融合的下肢运动步态识别方法，其特征在于，所述利用小波变换对所述表面肌电信号和所述运动惯性信号进行特征提取具体为：对所述表面肌电信号进行小波变换，提取小波系数、能量特征和熵特征；对所述运动惯性信号进行小波变换，提取加速度信号和角速度信号的时频域特征。
4.如权利要求1所述的基于特征融合的下肢运动步态识别方法，其特征在于，训练所述步态识别模型具体为：利用标注有多种步态类型标签的步态特征构造训练集，利用训练集，通过交叉熵损失函数和adam优化器对所述步态识别模型进行优化。
5.如权利要求4所述的基于特征融合的下肢运动步...
【专利技术属性】
技术研发人员：张黄河，刘华越，管泽洋，宋锐，李贻斌，
申请(专利权)人：山东大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。