科技创新与座用 2018年1期 Technology Innovation and Application 创新前沿 表2测试样本的识别率 Network 平地走上楼梯下楼梯 上坡 下坡 Average Combination (u2) 92.5% 87.6% BP2 90.7% BP 1+BP2 92.5% 90.2% 89.4% 91.8% 90.8 对训练样本融合后的信度分配情况和动作属性进行本文首先利用神经网络分别建立了基于下肢肌电以 统计和分析后,根据二者的对应关系建立融合后的阈值判及髋关节特征的神经网络分类器,并以各神经网络的输出 别规则为:T=065,T2=0.50,T=0.25。 作为独立证据分别构造在本信号源上的基本信度分配;然 应用本文所述方法对测试样本进行测试,计算单一信后应用D-S证据理论将来自不同信号源对动作模式的判 号源以及多信号源融合下的信度分布值,并根据前文构造决信息作为彼此独立的证据在决策层进行有效融合;最 的融合阈值判别规则进行动作模式判决。表1为实验中随后,利用构造的决策融合阈值判别规则进行决策识别。实 机选取的2组实验的相关记录,其中黑体部分表示某个运验表明这种方法不仅能避免由于单一信号特征存在的片 动模式拥有最大的信度,即最有可能发生的运动模式。 面性而带来的识别率低的问题,还能够解决多信号特征所 通过表1可以看出在不考虑D-S理论融合的情况下,带来的特征向量维数过高不利于识别的问题;下一步的工 两种单一信号源的神经网络的信度输出有时并不能根据作着重研究不同信号源的最优匹配问题以提高D-S融合 设定的信度阈值规则来判定其为何种运动模式,例如表2理论在下肢模式识别方面的应用效果。 中运动模式为平地行走时,由于BP2的信度输出m(u1)= 0.621<T1不满足阈值判定要求,故无法判断其为何种运动参考文献 模式;考虑D-S理论进行多信号源融合的情况,通过神经[靳尔刚康复器具行业发展走向[R]北京:中国康复器具协会, 网络特征融合与D-S决策融合的双重作用,能够显著提高2007 正确动作模式的可信度,如平地行走和上楼梯中BP1+BP22 Miller J D, Beazer M S, Hahn M e. Myoelectric walking 的融合结果,能够克服单一信号源信度输出不能根据信度 mode classification for transtibial amputees [J]. IEEE Transactions 阈值进行判定的问题。 on Biomedical Engineering. 2013. 60(3): 2745-2750 400组测试样本下的单一信号源识别结果和应用D-S3孟明,佘青山,罗志增HMM在下肢表面肌电信号步态识别中的 理论多信号源融合识别结果如表2所示。由表2可知,但 应用[华中科技大学学报(自然科学版),2011,39(增刊):176 是肌电信号源特征的平均识别率比髋关节信号源特征略 [4邢秀玉,刘鸿宇,黄武基于加速度的小波能量特征及样本熵组 高;其次,由于单一信号源特征对运动信息描述不够全面,合的步态分类算法门传感技术学报,2013,26(4):545-549 且当单个神经网络出现模糊识别或误识别后没有其他证5 Min Li, Long Zhao. The classification of human lower limb 据体弥补其出现的不足,造成识别率普遍偏低,本文方法 motion Based on acceleration sensor A). proceedings of2016IEE 融合来自两个信号源的决策信息,能够避免单一信号源特 Chinese guidance, Navigation and control conference.Nanj 征对运动描述的不全面性和识别的不稳定性 China:2016:2210-2214 5结束语2018 年 1 期 创新前沿 科技创新与应用 Technology Innovation and Application 对训练样本融合后的信度分配情况和动作属性进行 统计和分析后，根据二者的对应关系建立融合后的阈值判 别规则为：T1=0.65，T2=0.50，T3=0.25。 应用本文所述方法对测试样本进行测试，计算单一信 号源以及多信号源融合下的信度分布值，并根据前文构造 的融合阈值判别规则进行动作模式判决。表 1 为实验中随 机选取的 2 组实验的相关记录，其中黑体部分表示某个运 动模式拥有最大的信度，即最有可能发生的运动模式。 通过表 1 可以看出在不考虑 D-S 理论融合的情况下， 两种单一信号源的神经网络的信度输出有时并不能根据 设定的信度阈值规则来判定其为何种运动模式，例如表 2 中运动模式为平地行走时，由于 BP2 的信度输出 m（u1）= 0.621约T1 不满足阈值判定要求，故无法判断其为何种运动 模式；考虑 D-S 理论进行多信号源融合的情况，通过神经 网络特征融合与 D-S 决策融合的双重作用，能够显著提高 正确动作模式的可信度，如平地行走和上楼梯中 BP1+BP2 的融合结果，能够克服单一信号源信度输出不能根据信度 阈值进行判定的问题。 400 组测试样本下的单一信号源识别结果和应用 D-S 理论多信号源融合识别结果如表 2 所示。由表 2 可知，但 是肌电信号源特征的平均识别率比髋关节信号源特征略 高；其次，由于单一信号源特征对运动信息描述不够全面， 且当单个神经网络出现模糊识别或误识别后没有其他证 据体弥补其出现的不足，造成识别率普遍偏低，本文方法 融合来自两个信号源的决策信息，能够避免单一信号源特 征对运动描述的不全面性和识别的不稳定性。 5 结束语 本文首先利用神经网络分别建立了基于下肢肌电以 及髋关节特征的神经网络分类器，并以各神经网络的输出 作为独立证据分别构造在本信号源上的基本信度分配；然 后应用 D-S 证据理论将来自不同信号源对动作模式的判 决信息作为彼此独立的证据在决策层进行有效融合；最 后，利用构造的决策融合阈值判别规则进行决策识别。实 验表明这种方法不仅能避免由于单一信号特征存在的片 面性而带来的识别率低的问题，还能够解决多信号特征所 带来的特征向量维数过高不利于识别的问题；下一步的工 作着重研究不同信号源的最优匹配问题以提高 D-S 融合 理论在下肢模式识别方面的应用效果。 参考文献院 [1]靳尔刚.康复器具行业发展走向[R].北京：中国康复器具协会， 2007. [2]Miller J D， Beazer M S， Hahn M E. Myoelectric walking mode classification for transtibial amputees [J]. IEEE Transactions on Biomedical Engineering，2013，60（3）：2745-2750. [3]孟明，佘青山，罗志增.HMM 在下肢表面肌电信号步态识别中的 应用[J].华中科技大学学报（自然科 学版），2011，39（增刊）：176- 179. [4]邢秀玉，刘鸿宇，黄武.基于加速度的小波能量特征及样本熵组 合的步态分类算法[J].传感技术学报，2013，26（4）：545-549. [5]Min Li， Long Zhao. The classification of human lower limb motion Based on acceleration sensor[A].Proceedings of 2016 IEEE Chinese Guidance， Navigation and Control Conference. Nanjing， Jiangsu，China：2016：2210-2214. Netw ork 平地走 上 楼梯 下 楼梯 上坡 下 坡 Ave rage Comb ination （u1） （ u2） （u3） （ u4） （u5） B P1 92.5% 86.8% 87.6% 90.3% 87 .3% 88. 9% B P2 90.7% 83.1% 89.4% 87.2% 88 .6% 87. 8% BP1 +BP2 92.5% 90.2% 89.4% 91.8% 90 .1% 90. 8% 表 2 测试样本的识别率 - 27 -