基于极限学习机的人体步态预测识别方法研究

作     者：赵治羽 

作者单位：西南交通大学 

学位级别：硕士

导师姓名：马磊

授予年度：2019年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 080202[工学-机械电子工程] 081104[工学-模式识别与智能系统] 08[工学] 0804[工学-仪器科学与技术] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：步态预测 极限学习机 萤火虫算法 步态识别 外骨骼 

摘      要：外骨骼机器人将人体复杂的运动机理与机器人高强度的运动、负荷能力结合,帮助人体完成仅靠自身难以完成的工作。准确地对人体日常行为的步态进行识别,是对下肢人体加强型外骨骼机器人进行准确控制的关键技术环节,同时,从人体步态被识别到外骨骼机器人做出控制行为二者之间存在时滞,为避免控制的滞后对人体运动造成阻碍,应首先对步态数据进行预测,使步态识别工作在预测数据上进行以确保人体与外骨骼机器人之间的同步。首先,设计并实现了一套对足底压力进行测量的数据采集系统。通过硬件及软件两部分内容对系统中传感器的分布方式、系统的性能参数、数据的传输方式、系统间的通讯协议及程序流程进行了详细的介绍,并对行走、慢跑、上楼梯、下楼梯四种人体运动状态的足底压力数据进行实验采集。接着运用极限学习机(Extreme Learning Machine,ELM)对四种人体运动状态的足底压力数据进行预测,同时考虑到网络中随机生成的权值及偏置会对预测精度造成影响这一问题,使用萤火虫算法(Firefly Algorithm,FA)对其进行优化。实验结果表明,FA-ELM算法有效地提高了预测精度,为步态识别工作提供了数据支持。最后对人体步态相位进行了划分并确定了区分各个相位的步态事件,在对预测数据进行小波去噪处理后根据四种运动状态的足底压力预测数据的特性提出了一种步态事件的识别算法。该算法有效地解决了实验环境及条件改变后离地、触地事件判定阈值不适用的问题,避免了大部分由于阈值变化及数据波动导致的错误识别,最终得到了约96.14%的平均识别率与93.80%的平均正确率。