结合经验模态分解能量矩占比和方差贡献率法的步态信号特征向量提取

　　随着科学技术的不断发展和生活水平的不断提高，人们越来越重视自身和家人的健康，对医疗康复服务的需求也不断增加。目前，脑卒中（脑中风）或外伤引起的足下垂患者数量巨大，需要进行康复治疗的需求较大[1]。足下垂患者的步态与正常人的步态差异明显，患者行走极为不便，不正常的步态容易摔倒，如果在康复训练时摔倒会造成二次中风，导致更高的死亡率，所以正常人、患者步态的正确识别对于疾病的预防与疾病后期的康复治疗具有十分重要的作用[2]。

　　步态即为人体走路时的姿态，是一种复杂而有规律的运动过程[3]。步态过程需要神经系统、感觉系统和运动系统相互协调，人体的身体健康状况可以通过行走时的步态反映出来[4]。不同的疾病可能会导致不同的特殊步态，因此，通过对步态的分析，可为临床诊断疾病提供重要依据[5]。传统的人体运动步态分析方法已经被临床证明非常有效，但传统方法主要采用视频、磁场、超大型仿真平台实现对人体运动步态信息的捕捉及分析[6-7]，这些方法虽然可实现运动步态的分析，但存在受活动场所限制且无法满足实时性要求的缺点。

　　因此采用新方法对正常人、患者的步态数据进行科学评估是一项极为迫切的任务，对患者的步态进行科学分析可以协助康复治疗师帮助患者通过科学的康复手段逐步恢复正常的行走能力，对于足下垂患者本人和家庭而言具有重要的意义，同时还会产生良好的社会效益。

　　正常人、足下垂患者的步行过程蕴含许多重要的步态信息，在实时变化的步行运动过程中找到不正常的步态信息并对步态信息进行特征提取是步态分析更是对足下垂严重程度进行科学评判的关键所在。本文通过对基于角速度信号的步态信息进行分析可知，该角速度信号是非线性、非平稳的信号[8-11]，可将经验模态分解法应用到健康人与患者步态信息的特征提取领域中，这是一种新的适合于分析非平稳信号的经典方法。经验模态分解是由美籍华人NordenE.Huang等人提出[12-13]，适合于处理非线性、非平稳信号，具有很高的信噪比，能将复杂的信号进行分解得到有限个IMF分量，每个IMF分量包含原信号不同时间尺度下的局部特征信号。

　　本文以正常人与患者的步态信号作为研究对象，正常人与患者之间的步态信号在某些特定频带上会有比较显著的差异，采用EMD分解出的IMF分类能量矩占比与方差贡献率作为步态信号的特征向量，能够准确提取步态信号特征向量，同时引入BP神经网络分类器对步态信号进行分类，快速准确地分析、确定步态信息。

　　4 经验模态分解特征向量提取及步态分类

　　步态数据的分类流程即角速度信号的分类流程如图2所示。

　　（1）将采集到的角速度信号进行EMD分解；

　　（2）将得到的各阶IMF分量分别计算能量矩占比与方差贡献率，并将其作为特征向量；

　　（3）该特征向量输入已训练好的BP神经网络中进行分类。

　　分类步骤如下：

　　（1）将原始角速度信号进行EMD分解，取包含角速度信号的前n个IMF分量，本文取前7个IMF分量；

　　（2）计算各阶IMF分量的能量矩占比T（i）与方差贡献率M（i）；

　　（3）以各阶IMF分量的能量矩占比与方差贡献率为元素构造特征向量P：

　　P=[T1，T2，T3，T4，T5，T6，T7，M1，M2，M3，M4，M5，M6，M7] （6）

　　（4）选取BP神经网络作为分类器，用训练样本的特征向量训练BP神经网络，确定网络参数；

　　（5）将测试样本特征向量输入到训练好的BP神经网络中，以BP神经网络分类器的输出确定该样本的步态是否正常。

　　5 实验结果分析

　　5.1 步态信号的采集

　　本文步态信号通过穿戴于小腿上的加速度传感器采集得到，步态信号为正常人、患者右腿胫骨前肌侧矢状面的角速度信号。人体行走时的活动规律主要在矢状面体现，矢状面角速度为俯仰角，其矢状面角速度幅值大，变化较均匀，规律性明显，易于寻找特征点，故在步态分类上可以考虑利用矢状面的角速度数据寻找特征向量[22-23]。

　　本文以Delsys加速度传感器作为角速度信号的采集器，加速度传感器的测量范围为1.5～6 g，采样率为148.1～296.3 S/s。通过结合相关医学知识并在专业医生的指导下分别提取7个正常人、3个患者的右腿胫骨前肌矢状面的角速度信号，图3中分别表示其中一个正常人和患者在正常步行时矢状面的角速度信号。图4和图5分别表示正常人、患者角速度信号经过EMD分解后各阶IMF分量的时域分解图。

　　比较图4、图5可以看出，正常人与患者之间的步态信息有较为明显的差异，可以运用相应算法得到步态特征参数对步态进行分类。

　　5.2 步态信号EMD分解及特征参数提取

　　利用式（6）分别计算正常人、患者经过EMD分解出的各阶IMF能量矩占比与方差贡献率，由于信号中最显著、最重要的特征信息都包含在前几阶IMF分量中，通过信号分析可知，该步态信号的主要信息集中在前7个IMF分量上。表1、表2列出了基于IMF能量矩占比与方差贡献率计算得到的包含步态信号主要信息的特征向量并将其作为BP神经网络分类器的样本数据。

　　表1中T（i）（i=1，2，…，7）表示各阶IMF分量的能量矩占比，表2中M（i）（i=1，2，…，7）表示各阶IMF分量的方差贡献率，样本1～7表示正常人，样本8～10表示患者。

　　图6中虚线与实线分别表示患者样本8与正常人样本1各阶IMF分量的变化趋势，对比可以看出两者特征向量的显著区别。限于文章篇幅，对比剩余样本均可得到上述结论，所以可通过本文提出的特征向量选取方法进行步行状态的分类。

　　5.3 步态分类

　　本文采用BP神经网络分类算法，设定正常人的步行状态为1，患者的步行状态为2。通过对特征向量进行分析，选取前4个正常人、2个病人的步态数据进行神经网络的学习与训练，将剩余样本作为测试样本输入神经网络分类器中进行步态分类，分类结果见表3所列。

　　本文研究主要从能量总量的角度出发，采用离散数据求能量矩占比与方差贡献率的方法，简化了相对复杂的数学计算过程，同时利用原始数据进行分析计算。该方法主要体现了分析计算快速，具有自适应性等特点，经实验分析可知，达到了预期的分类效果。

　　IMF能量矩占比与方差贡献率和EMD分解相结合提取步态信号特征向量，具有计算过程相对较快且稳定的特点，将该方法用到步态信號特征向量提取领域中，合理结合BP神经网络进行步态分类，为今后的步态快速分类与步态辨识提供了一定的理论研究基础。

　　6 结 语

　　本文采用经验模态分解法对步态信号进行分解，运用IMF能量矩占比与方差贡献率作为表征步态信号的特征向量，并以此作为BP神经网络分类器的输入向量，该方法能快速方便地得到步态分类结果，减小计算量。实验结果表明，该方法能有效提取步态信号的特征向量并能正确进行步态分类，对于后期的步态辨识、经验模态分解提供了一种新的探索与研究方法。

　　参 考 文 献

　　[1]许林海，韩丽雅.功能强化训练结合肌电生物反馈对急性脑卒中患者上肢功能的影响[J].中国康复，2015（3）：185-188.

　　[2]孟殿怀，励建安.功能性电刺激辅助步行设备的应用进展[J].中国康复医学杂志，2012，27（10）：973-976.

　　[3]李光耀.基于角速度传感器的人体下肢运动识别[D].天津：河北工业大学，2013.

　　[4] KAUR S，SANDHU E R K.A survey on enhanced human iden-tification using gait recognition based on neural network and support vector machine[J].International journal of application or innovation in engineering & management （IJAIEM），2013，2（6）：72-78.

　　[5]刘荣，黄璐，李少伟，等.基于步态加速度的步态分析研究[J].传感器学报，2009，22（6）：893-896.

　　[6] DEJNABADI H，JOLLES B M，AMINIAN K.A new approach to accurate measurement of uniaxial joint angles based on a combination of accelerometers and gyroscopes[J].Biomedical engineering，2005，52（8）：1478-1484.

　　[7] YAN L，YUE E L，JIAN H.Gait recognition based on MEMS acce-lerometer[C]// Proceedings of the 10th IEEE International Conference on Signal Processing Signal，2010：1679-1681.

　　[8] BUSSMANN J B J，VELTINK P H，KOELMA F，et al. Ambu-latory mobility-related activities：the initial phase of the development monitor[J].Eur j phys rehabil med，1995，5（1）：2-7.

　　[9] SAREMI K，MAREHBIAN J，YAN X，et a1.Reliability and vali-dity of bilateral thigh and foot accelerometry measures of walking in healthy and hemiparetic subjects[J].Neurorehabilitation and neural repair，2006，20（2）：297-305.

　　[10]章婉霞.步态监测系统的嵌入式软件设计与实现[D].大连：大连理工大学，2013.

　　[11] AMES B L，REBECCA B M，BRENDAN J B.The use of a single inertial sensor to identify stride，step，and stance durations of running gait[J].Journal of science and medicine in sport，2010，13：270-273.

　　[12] HUANG N E，SHEN Z，LONG S R，et a1.The empirical mode decomposition and the Hilbert spectrum for nonlinearand non—stationary time serie analysis[J].Proc. R. Soc. Lond.A，1998，45（4）： 903-995.

　　[13]李天云，赵妍，季小慧. HHT 方法在电力系统故障信号分析中的应用[J].电工技术学报，2005，20（6）：87-91.

　　[14]于徳介，程军圣，杨宇.机械故障诊断的Hilberthuang变换方法[M].北京：科学出版社，2006.

　　[15]陈忠，郑时雄.基于經验模式分解（EMD）的齿轮箱齿轮故障诊断技术研究[J].振动工程学报，2003，16（2）：229-231.

　　[16] LOH C H. Application of the empirical mode decomposition-Hilbert spectrum method to identify near-fault ground-motion characteristics and structural responses[J].Bulletin of theseism gical society of America，2001（91）： 1339-1357.

　　[17]程军圣.基于Hilbert-Huang变换的旋转机械故障诊断方法研究[D].长沙：湖南大学，2005.

　　[18]庄育锋，胡晓瑾，翟宇.基于BP神经网络的微量药品动态称重系统非线性补偿[J].仪器仪表学报，2014，35（8）：1914-1920.

　　[19]王同旭，马鸿雁，聂沐晗.电梯用永磁同步电机BP神经网络PID调速控制方法的研究[J].电工技术学报，2015，30（1）：43-47.

　　[20]程军圣，罗颂荣，杨斌，等.LMD能量矩和变量预测模型模式识别在轴承故障智能诊断中的应用[J].振动工程学报，2013，26（5）：751-757.

　　[21]姚刚，赵建军，姚跃亭，等.基于改进EMD方法的系统误差分离方法研究[J].振动与冲击，2014，33（14）：176-180.

　　[22] LEE J A，CHO S H，LEE Y J，et a1.Portable activity monitoring system for temporal parameters of gait cycles[J].Journal of medical systems，2010，34（5）：959-966.

　　[23]黄金兰.步态分析及在功能性电刺激中的应用[D].福州：福州大学，2016.

　　陈东毅 陈建国 李玉榕

关注读览天下微信， 100万篇深度好文， 等你来看……