本发明涉及步态识别，特别是涉及基于机器学习的肌电图(electromyography，emg)步态识别评估方法及系统。
背景技术：
1、随着全球人口老龄化和中风、肌肉无力、跌倒等风险日益突出，运动障碍的康复和运动辅助已成为社会关注的焦点。特别是在肢体康复领域，恢复或改善行走能力被认为是患者康复的核心目标。除了传统的治疗方法外，近年来，医疗机器人设备在运动辅助和康复领域的应用越来越受到关注。比如：
2、cn105411593b用于识别步态任务的方法和设备，基于感测数据检测用户的步态模式，基于步态模式与多个数据库中的每个提取的相似的步态数据之间的相似度来产生步态模式的步态特征，并通过将步态特征应用于期望学习模型来估计与步态模式相应的步态任务；但是，它不能保证步态识别的实时性和准确性。
3、因此对于步态识别的快速性与准确性需求有了很大的提升，而传统的步态识别方法面临了以下的问题：
4、1.普适性差，人工观察是最早用于步态评估的方法之一。研究人员通过目视观察和分析被试者的步态，以获取关于步态特征的信息。然而，这种方法受到主观性、主观判断差异和依赖经验的限制，难以提供客观、准确的步态分析。此外，个体的生理状态，如肌肉力量、骨骼密度等，也对步态有显著影响。然而，现有的系统在综合评估这些生理因素时，显得力不从心，无法有效地区分不同年龄和身体状况的步态。
5、2.样本的筛选往往不够精准且缺乏足够的代表性。当前众多系统依赖传统的特征选取策略，但这些方法往往未能深入考量各个特征在步态识别中的独特作用与贡献。因此，系统的检测能力可能受到局限，无法全面评价不同特征的实际效能。
6、3.样本特征的利用率不足，在步态检测系统中，样本特征的利用率显得尤为关键，因为它们是系统识别和理解不同步态模式的基础。然而，令人遗憾的是，尽管样本特征的选取对于步态检测至关重要，但现实中很少有系统能够充分利用这些宝贵的信息。
技术实现思路
1、为了解决现有技术的不足，本发明提供了基于机器学习的肌电图步态识别评估方法及系统；利用生物信号，特别是肌电图(emg)，作为直接反映穿戴者肌肉活动的关键指标，为系统提供了与穿戴者运动意图的直接联系。并且与机器学习相关一系列方法，证实了可穿戴emg做步态识别检测方法的可行性。
2、一方面，提供了基于机器学习的肌电图步态识别评估方法，包括：
3、获取人体肌电信号；基于人体肌电信号，构建训练集，所述训练集包括：已知各种步态标签的人体肌电信号；
4、对训练集的人体肌电信号进行特征提取，得到若干个步态特征；从所有的步态特征中进行特征筛选，得到最具代表性的若干个特征；基于最具代表性的若干个特征，构建出若干种不同的特征组合；
5、将每一种特征组合，输入到机器学习模型中，对模型进行训练，得到当前特征组合对应的预测性能指标；将最大预测性能指标值所对应的特征组合为最优特征组合，将最大预测性能指标值所对应的训练后的机器学习模型作为最优机器学习模型；
6、获取待预测对象的肌电信号，对待预测对象的肌电信号进行特征提取，得到待预测对象的步态特征，从待预测对象的步态特征中筛选出与最优特征组合一致的特征，从而构建出待预测的特征组合；将待预测的特征组合输入到训练后的最优机器学习模型中，得到步态状态预测结果。
7、另一方面，提供了基于机器学习的肌电图步态识别评估系统，包括：
8、获取模块，其被配置为：获取人体肌电信号；基于人体肌电信号，构建训练集，所述训练集包括：已知各种步态标签的人体肌电信号；
9、特征提取模块，其被配置为：对训练集的人体肌电信号进行特征提取，得到若干个步态特征；从所有的步态特征中进行特征筛选，得到最具代表性的若干个特征；基于最具代表性的若干个特征，构建出若干种不同的特征组合；
10、模型训练模块，其被配置为：将每一种特征组合，输入到机器学习模型中，对模型进行训练，得到当前特征组合对应的预测性能指标；将最大预测性能指标值所对应的特征组合为最优特征组合，将最大预测性能指标值所对应的训练后的机器学习模型作为最优机器学习模型；
11、步态预测模块，其被配置为：获取待预测对象的肌电信号，对待预测对象的肌电信号进行特征提取，得到待预测对象的步态特征，从待预测对象的步态特征中筛选出与最优特征组合一致的特征，从而构建出待预测的特征组合；将待预测的特征组合输入到训练后的最优机器学习模型中，得到步态状态预测结果。
12、再一方面，还提供了一种电子设备，包括：
13、存储器，用于非暂时性存储计算机可读指令；以及
14、处理器，用于运行所述计算机可读指令，
15、其中，所述计算机可读指令被所述处理器运行时，执行上述第一方面所述的方法。
16、再一方面，还提供了一种存储介质，非暂时性存储计算机可读指令，其中，当非暂时性计算机可读指令由计算机执行时，执行第一方面所述方法的指令。
17、再一方面，还提供了一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行的时候用于实现上述第一方面所述的方法。
18、上述技术方案具有如下优点或有益效果：
19、为了高效地处理和提取这些特征值，本发明采用了滑动窗口的方法对样本点进行分割，均方根(rms)、标准差(sd)、绝对值平均值(mav)、集成肌电图(iemg)、零交叉率、斜率符号变化和过阈值在内的时间域特征，设计了机器学习模型用于进行步态识别。
20、本发明介绍了一种基于机器学习的肌电图步态识别评估方法，该方法专注于分析行人在行走过程中产生的时序数据。整个流程涵盖了数据的采集、精细的抽取与预处理，以及基于机器学习模型的步态检测模型的训练与优化。为了提升系统的实时响应能力和对不同用户的适应性，本发明采用了emg技术来捕捉肌肉活动的信号，并引入了滑动窗口机制对信号样本进行动态分割。
21、在特征提取方面，本发明采用了包括均方根(rms)、标准差(sd)、绝对值平均值(mav)、集成肌电图(iemg)、零交叉率、斜率符号变化以及过阈值等多样化的时间域特征，旨在全面、精准地反映步态变化的动态特性。这种方法不仅确保了步态检测的实时性，还显著增强了系统对不同行走习惯和速度的适应性。通过这一系列的优化措施，本发明成功开发了一种高效、实时且适应性强的步态检测方案。该系统能够精确地识别出行人当前的步态阶段，并能在不同的行走速度和习惯下保持出色的性能。这一创新技术为步态评估领域带来了显著的进步，为未来的研究和应用提供了有力的技术支持。
1.基于机器学习的肌电图步态识别评估方法，其特征是，包括：
2.如权利要求1所述的基于机器学习的肌电图步态识别评估方法，其特征是，基于人体肌电信号，构建训练集，所述训练集包括：已知各种步态标签的人体肌电信号；所述步态标签，包括：脚跟撞击类别和脚趾脱落类别；所述步态标签，包括：脚跟撞击类别、最大立场弯曲类别、最大立场延伸类别、脚趾脱落类别和最大摆动弯曲类别。
3.如权利要求1所述的基于机器学习的肌电图步态识别评估方法，其特征是，对训练集的人体肌电信号进行特征提取，得到若干个步态特征，所述若干个步态特征，是采用滑动窗口对人体肌电信号进行滑动，每滑动一次，对窗口内的信号进行步态特征提取。
4.如权利要求1所述的基于机器学习的肌电图步态识别评估方法，其特征是，对训练集的人体肌电信号进行特征提取，得到若干个步态特征，所述若干个步态特征，包括：均方根、标准差、均值绝对值、综合肌电信号、过零率、斜率符号变化、和阈值交叉。
5.如权利要求1所述的基于机器学习的肌电图步态识别评估方法，其特征是，将每一种特征组合，输入到机器学习模型中，对模型进行训练，得到当前特征组合对应的预测性能指标，包括：
6.如权利要求1所述的基于机器学习的肌电图步态识别评估方法，其特征是，将每一种特征组合，输入到机器学习模型中，对模型进行训练，得到当前特征组合对应的预测性能指标，包括：
7.如权利要求6所述的基于机器学习的肌电图步态识别评估方法，其特征是，所述k近邻算法模型，是指：使用样本与样本距离值作为度量标准，然后，根据计算出的样本与样本距离，选择与测试样本最接近的k个训练样本，根据少数服从多数的原则，从最接近的k个训练样本中得到训练样本数占比最大的类别，将训练样本数占比最大的类别作为测试样本的类别。
8.基于机器学习的肌电图步态识别评估系统，其特征是，包括：
9.一种电子设备，其特征是，包括：
10.一种存储介质，其特征是，非暂时性存储计算机可读指令，其中，当非暂时性计算机可读指令由计算机执行时，执行权利要求1-7任一项所述方法的指令。
