本发明涉及步态识别技术，具体涉及一种基于肌电及深度学习的行走步态相位和速度识别方法。
背景技术：
1、表面肌电信号(semg)作为生物信号在步态识别中得到广泛应用。研究者们在步态分析领域不断努力，利用semg信号精准识别步态相位，并将其应用于康复治疗和助行外骨骼等领域。当前，许多相关研究专注于semg在步态相位识别方面的应用，但对于步态速度识别的研究相对较少。这限制了这两个方面的有效整合，存在一些尚待解决的问题。
2、传统方法通常专注于步态相位的识别，却未能充分整合与步态速度识别的联系。步态相位和速度在步行中息息相关，但现有方法未能有效地利用这种关联性。这种分离的研究方法限制了对整体步态特征的完整理解。缺乏同时识别相位和速度的方法，限制了对真实步行场景的识别能力，无法提供全面综合的步态特征描述。
3、因此，当前基于semg的步态相位和速度识别研究面临着一个重要的挑战：如何有效整合肌电信号的特征，以实现相位和速度的联合识别，从而更全面地捕捉和描述步态特征。这一课题具有重要的理论和应用意义，对于发展更准确、全面的步态识别技术以及应用于康复和助行设备方面都具有重要价值。
技术实现思路
1、针对以上现有技术存在的问题，本发明提出了一种基于肌电及深度学习的行走步态相位和速度识别方法，通过深入分析肌电信号的时空特征，本发明实现了对步态相位和速度的精确识别，并且利用足底压力鞋垫提供的足底压力数据进行相位标定，为对肌电信号的步态相位和速度识别提供了更精准的辅助。
2、本发明的基于肌电及深度学习的行走步态相位和速度识别方法，包括以下步骤：
3、1)将多通道肌电采集仪固定在被试者的单腿上，每一个通道对应采集一块肌肉的肌电信号；同时，将足底压力鞋垫固定在鞋内，并穿戴在与固定多通道肌电采集仪同侧的脚上，足底压力鞋垫设置有多个力敏电阻(fsr)传感器，每一个力敏电阻传感器采集一个部位的足底压力；多通道肌电采集仪和多个力敏电阻传感器分别通过无线通讯连接至计算机；
4、2)被试者按照设定的步态速度行走，多通道肌电采集仪的每个通道分别采集对应的肌肉的肌电信号，并传输至计算机，得到原始肌电信号数据；同时，多个力敏电阻传感器采集足底压力，并传输至计算机，得到原始足底压力数据；多通道肌电采集仪与多个力敏电阻传感器受计算机控制在时间上严格同步采集；每一组原始足底压力数据分别对应时间上完全同步的一组原始肌电信号数据，即同步的原始足底压力数据与原始肌电信号数据一一对应；原始肌电信号数据带有步态速度标签；
5、3)计算机对原始肌电信号数据和原始足底压力数据分别进行预处理，得到预处理后的肌电信号数据和预处理后的足底压力数据；并利用滑动窗口对预处理后的肌电信号数据进行分段时域和频域特征提取处理，得到肌电信号特征数据，肌电信号特征数据与组足底压力数据一一对应；
6、4)足底压力数据反应步态过程中足底的压力分布情况，通过预处理后的足底压力数据将一个完整的步态周期划分为多个不同的步态相位，得到每一组预处理后的足底压力数据对应的步态相位；进一步，通过同步的足底压力数据与的肌电信号特征数据一一对应关系，为每组对应的肌电信号特征数据打上相应的步态相位标签，肌电信号特征数据得到对应的步态相位，得到带有步态速度标签和步态相位标签的肌电信号特征数据；
7、5)改变设定的步态速度，重复步骤2)～4)，直至完成所有设定的步态速度，得到所有设定的步态速度下的带有步态速度标签和相位标签的肌电信号特征数据，形成数据集；将数据集分为训练集和测试集；
8、6)构建卷积长短期记忆网络(cnn-lstm)模型：
9、a)构建卷积神经网络(cnn)，输入为肌电信号特征数据，输出为步态速度；
10、b)按照设定的步态速度将卷积神经网络的输出划分为不同的步态速度子集，每一个步态速度子集对应于步骤2)～5)中设定的步态速度；不同步态速度下肌肉活动的特征侧重性存在差异，针对每一个步态速度子集进行主成分分析(principalcomponentanalysis，pca)，特征侧重性差异针对不同的步态速度子集下的数据特征进行相应的pca降维处理，得到降维后的步态数据特征；
11、c)构建长短期记忆网络(lstm)，输入为降维后的步态数据特征，输出为步态相位；
12、d)采用训练集训练cnn-lstm模型，并采用测试集测试cnn-lstm模型，得到训练好的cnn-lstm模型；
13、7)将多通道肌电采集仪固定在被试者同侧的单腿上，多通道肌电采集仪采集肌电信号并传输至计算机，得到原始肌电信号数据，计算机对原始肌电信号数据进行预处理并利用滑动窗口进行分段时域和频域特征提取，得到肌电信号特征数据，将肌电信号特征数据输入至训练好的cnn-lstm模型，得到步态速度和步态相位。
14、其中，在步骤1)中，多通道肌电采集仪的通道数为m，m为≥4的自然数；力敏电阻传感器的个数为n，n为≥3的自然数。多通道肌电采集仪采集单腿肌肉的肌电信号，单腿肌肉采用胫骨前肌和内侧腓肠肌以及股外侧肌、股内侧肌、股直肌、股二头肌、比目鱼肌、外侧腓肠肌和半腱肌中的多块肌肉。
15、在步骤2)中，每一组原始肌电信号数据包括m个原始肌电信号数据，每一组原始足底压力数据包括n个原始足底压力数据。
16、在步骤3)中，对原始肌电信号数据进行预处理包括：先对原始肌电信号数据进行高通和低通线性相位有限脉冲激响应(fir)滤波器处理，然后进行全波校正和巴特沃斯低通滤波器处理，得到预处理后的肌电信号数据；对原始压力数据进行预处理包括：对原始足底压力数据依次进行去噪、滤波和插值预处理操作，得到预处理后的足底压力数据；数据预处理确保了数据质量和准确性。利用滑动窗口对预处理后的肌电信号数据进行分段时域和频域特征提取处理，采用固定窗口大小且具有数据重叠的方法，这种处理有助于提取丰富的时域和频域特征，每次滑动的步长为1帧。
17、在步骤5)中，训练集与速度集的比例为70～80％：30～20％。
18、在步骤7)的a)中，卷积神经网络包括：输入层、序列折叠层、卷积层、线性修正单元(rectified linear unit，relu)激活函数、全连接层和软量化(softmax)函数；其中，输入层接收肌电信号特征数据；序列折叠层将输入数据转换为序列格式；卷积层使用卷积核对序列进行卷积运算，将卷积层的输出输入线性修正单元激活函数，通过线性修正单元激活函数引入非线性；使用全连接层对输出进行处理，再经过软量化函数获取步态速度。
19、在步骤7)的b)中，根据不同步态速度下的肌电数据分别提取不同的主成分特征，只保留了重要特征，识别效果好，特征侧重性差异针对不同步态速度下的数据特征进行相应的pca降维处理，这样处理后的数据通过lstm被用于步态相位的识别。
20、在步骤7)的c)中，长短期记忆网络包括：序列反折叠层、铺平层、lstm层、全连接层和软量化(softmax)函数；其中，序列反折叠层进行相应的数据格式转换操作，将降维后的步态数据特征转换为lstm层可接受的格式，得到反折叠后的数据；铺平层将反折叠后的数据进行铺平操作得到平铺数据；利用lstm层对平铺数据进行时间序列特征提取，得到时序特征数据；全连接层对lstm层输出的时序特征数据进行综合和整合处理，最后通过软量化函数获取步态相位。
21、本发明的优点：
22、(1)通过综合应用肌电和足底压力数据，本发明能够准确捕捉不同步态速度下的特征变化；利用cnn-lstm结构，实现对步态相位和速度的精准分类，为不同步态特征的全面识别提供了强有力的支持；
23、(2)通过数据预处理和pca降维，对数据进行了精细处理，突出了不同步态速度下肌电信号数据的特征差异；这种差异性分析为个性化步态分析提供了坚实基础，有助于更深入地理解和分析每个个体在不同步态速度下的步态特征；
24、(3)采用cnn-lstm模型，结合卷积神经网络提取空间特征和长短期记忆网络学习时序信息的能力，显著提高了步态识别的精度和准确性，有助于更全面地理解和评估肌肉活动状态；(4)为个性化康复治疗和运动评估提供了新的可能性，通过对不同步态速度下肌电信号数据的精准识别，能够为康复治疗和运动评估领域提供更个性化和精准的数据支持，促进了康复治疗和运动训练的个性化和精细化水平。
1.一种基于肌电及深度学习的行走步态相位和速度识别方法，其特征在于，所述行走步态相位和速度识别方法包括以下步骤：
2.如权利要求1所述的行走步态相位和速度识别方法，其特征在于，在步骤1)中，多通道肌电采集仪的通道数为m，m为≥4的自然数；力敏电阻传感器的个数为n，n为≥3的自然数。
3.如权利要求1所述的行走步态相位和速度识别方法，其特征在于，在步骤1)中，多通道肌电采集仪采集单腿肌肉的肌电信号，单腿肌肉采用胫骨前肌和内侧腓肠肌以及股外侧肌、股内侧肌、股直肌、股二头肌、比目鱼肌、外侧腓肠肌和半腱肌中的多块肌肉。
4.如权利要求2所述的行走步态相位和速度识别方法，其特征在于，在步骤2)中，每一组原始肌电信号数据包括m个原始肌电信号数据，每一组原始足底压力数据包括n个原始足底压力数据。
5.如权利要求1所述的行走步态相位和速度识别方法，其特征在于，在步骤3)中，对原始肌电信号数据进行预处理包括：先对原始肌电信号数据进行高通和低通线性相位有限脉冲激响应滤波器处理，然后进行全波校正和巴特沃斯低通滤波器处理，得到预处理后的肌电信号数据。
6.如权利要求1所述的行走步态相位和速度识别方法，其特征在于，在步骤3)中，对原始压力数据进行预处理包括：对原始足底压力数据依次进行去噪、滤波和插值预处理操作，得到预处理后的足底压力数据。
7.如权利要求1所述的行走步态相位和速度识别方法，其特征在于，在步骤3)中，利用滑动窗口对预处理后的肌电信号数据分段时域和频域特征提取处理，采用固定窗口大小且具有数据重叠的方法。
8.如权利要求1所述的行走步态相位和速度识别方法，其特征在于，在步骤5)中，训练集与速度集的比例为70～80％：30～20％。
9.如权利要求1所述的行走步态相位和速度识别方法，其特征在于，在步骤7)的a)中，卷积神经网络包括：输入层、序列折叠层、卷积层、线性修正单元激活函数、全连接层和软量化函数；其中，输入层接收肌电信号特征数据；序列折叠层将输入数据转换为序列格式；卷积层使用卷积核对序列进行卷积运算，将卷积层的输出输入线性修正单元激活函数，通过线性修正单元激活函数引入非线性；使用全连接层对输出进行处理，再经过软量化函数获取步态速度。
10.如权利要求1所述的行走步态相位和速度识别方法，其特征在于，在步骤7)的c)中，长短期记忆网络包括：序列反折叠层、铺平层、lstm层、全连接层和软量化函数；其中，序列反折叠层进行相应的数据格式转换操作，将降维后的步态数据特征转换为lstm层可接受的格式，得到反折叠后的数据；铺平层将反折叠后的数据进行铺平操作得到平铺数据；利用lstm层对平铺数据进行时间序列特征提取，得到时序特征数据；全连接层对lstm层输出的时序特征数据进行综合和整合处理，最后通过软量化函数获取步态相位。
