CN109871817B - 基于足底压力和自适应集成学习的行走状态识别方法 - Google Patents

Abstract

本发明为基于集成学习和足底压力的自适应行走状态识别方法，该方法仅使用足底压力传感器对人体当前所处于的行走状态进行识别，通过安置于足底指定位置的薄膜压力传感器采集足底压力信号。根据滤波后的信号得到下肢外骨骼穿戴者在一个步态周期中的准确的足底特定位置压力变化。再将足底压力变化送入信号处理设备，为机器学习中的集成学习行走状态分类识别器提供原始的数据集合。信号处理设备根据数据集合训练生成由KNN分类模型、多类分类支持向量机分类模型、多类分类决策树模型结合而成的集成学习分类识别模型。同时针对不同体型，体态，年龄以及行走习惯的人群生成与其相适应的分类识别器，为下肢外骨骼控制提供了准确的控制依据。

Description

基于足底压力和自适应集成学习的行走状态识别方法

技术领域

本发明涉及人体下肢步态识别技术领域，具体涉及一种足底压力和自适应集成学习的自适应行走状态识别方法。

背景技术

下肢外骨骼助力机器人技术中的关键在于识别人体步态相位中行走状态，通过研究人体当前所处于的步态相位进而采取相应的控制策略。现有技术中，专利CN201610676813通过采集肌电信号来获取行走信息，由于肌电信号较为微弱，采集精度和准确度难以保证，专利CN201510172243通过姿态传感器采集人体姿态，该种方式需要采集多种步态信息，如角速度、加速度、磁场强度。同时，由于每个人的行走***地走、上楼、下楼、慢跑、快跑、侧走、原地跳、前进跳、匍匐前进等运动步态，然而对于在每个步态周期中，人体步态相位中的行走状态识别欠缺研究。人体行走状态的准确识别决定了下肢外骨骼助力机器人能否准确舒适的辅助穿戴者行走。因此，能够提供一种更加精确地基于足底压力反馈的行走状态识别方法是十分必要的。

发明内容

针对上述技术问题，本发明的目的是，提供一种基于足底压力和自适应集成学习的行走状态识别方法。该方法针对每种步态模式下各自的行走状态进行精确分类，同时随着穿戴者的不同能自动调整控制参数，进而保证识别方法的准确率。

本发明解决所述技术问题采用的技术方案是，提供一种基于集成学习和足底压力的自适应行走状态识别方法，该方法的步骤是：

步骤1：人体行走周期足底压力变化信号获取和信号调理

通过足底压力采集设备采集人体在一个步态周期中的多通道足底压力变化数据，然后将所采集的压力数据通过信号调理进行放大滤波处理，再经过信号处理设备进行二次滤波处理；足底压力采集设备在足底采集点的安放位置至少为五个，分别为第一跖趾关节、第三跖趾关节、第五跖趾关节、舟状骨及根骨位置；

步骤2：行走周期的分割和长度归一化

将上述得到的信号数据在信号处理设备中进行处理，根据搜索最大值差异法将行走周期分为若干个步态周期，同时选定第一个步态周期作为标准周期，根据标准周期，通过搜索变异值最大算法对其余的周期中的冗余数据和残缺数据进行定位，进而删除冗余数据并通过拉格郎日插值法修复残缺数据完成步态周期长度归一化；

步骤3：步态周期足底压力变化数据分界点时序值获取

获得已经归一化的一个步态周期足底压力变化数据后，根据各个通道足底压力变化数据曲线峰值的关系，即根据曲线间差异率最大公式，确定不同行走状态的分界点时序值，根据分界点时序值对步态周期进行划分得到行走状态的时序值范围；

步骤4：建立多通道行走状态特征数据集合

根据步骤3得到确定分界点后的多通道足底压力变化数据，将五通道足底压力变化数据融合成为五维足底压力变化数据向量，并根据步骤3得到的行走状态时序值范围，建立足底压力数据变化的多通道行走状态特征数据集合；

步骤5：建立集成学习分类识别模型

根据步骤5得到的多通道行走状态数据集合，首先分别建立KNN分类模型、二分类支持向量机分类模型、二分类决策树模型，再通过一对多多分类算法将二分类支持向量机分类模型和二分类决策树模型转化为多类分类支持向量机分类模型和多类分类决策树模型，将多类分类支持向量机分类模型、多类分类决策树模型、KNN分类模型根据加权投票集成法则集成为一个集成学习分类识别模型。

步骤6：建立自适应集成学习分类识别模型

使用者使用时，采集当前使用者的足底压力变化数据，并将该数据即时更新步骤4的足底压力变化特征数据集合γ，并且根据即时更新的足底压力变化特征数据集合γ实时修正更新步骤5的集成学习分类识别模型，自适应识别出不同使用者的行走状态，进而提高集成学习分类识别模型对不同使用者的行走状态识别的准确率。

与现有技术相比，本发明的有益效果是：

本发明仅使用足底压力传感器对人体当前所处于的行走状态进行识别，通过安置于足底指定位置的薄膜压力传感器采集足底压力信号。将原始足底压力信号送入信号通过软件信号滤波处理算法和硬件信号滤波电路相结合的方法进行滤波。根据滤波后的信号得到下肢外骨骼穿戴者在一个步态周期中的准确的足底特定位置压力变化。将以上信号采集设备得到的足底压力变化送入信号处理设备，为机器学习中的集成学习行走状态分类识别器提供原始的数据集合。信号处理设备根据数据集合训练生成由KNN分类模型、多类分类支持向量机分类模型、多类分类决策树模型结合而成的原始行走状态分类识别器，即集成学习分类识别模型。同时信号处理设备根据信号采集设备实时采集的足底压力数据调整行走状态分类模型参数，针对不同体型，体态，年龄以及行走习惯的人群生成与其相适应的分类识别器，即自适应集成学习分类识别模型，为下肢外骨骼控制提供了准确的控制依据。相对于只应用一种机器学习算法，本识别方法根据集成学习方法中的加权投票集成法则结合三种机器学习算法，其算法鲁棒性更强。

附图说明

图1信号标定放大电路图

图2信号滤波电路图

图3足底压力传感器位置分布示意图

图4足底压力和变化图

图5识别方法总流程图

图6行走状态决策方法流程图

具体实施方式

下面结合实施例及附图进一步解释本发明，但并不以此作为对本申请保护范围的限定。

本发明一种基于集成学习和足底压力的自适应行走状态识别方法，该方法通过足底压力采集设备采集人体在一个步态周期中的多通道足底压力变化信号，再将所采集的足底压力变化信号进行数据处理，对行走周期进行分割和足底压力变化数据长度归一化；再提取每个步态周期中各个行走状态的特征关键点，再建立人体行走步态模型；随后建立初代机器学习分类模型(集成学习分类识别模型)，同时该模型将对采集到的数据实时训练建立新的自适应识别模型，直到达到98％以上的识别率为止；

步态周期是指人体一侧的足跟着地开始到同一侧足跟再次着地为止的时间；所述步态周期内行走状态包括：脚跟着地，全足放平支撑，重心前移，脚跟离地，脚尖蹬离地，摆动腿；步态模式是指人行走过程中一侧足跟着地至该侧足跟再次着地时所采取的整体动作状态，比如快速跑、慢速跑、慢走是不同的步态模式；行走状态是指人在完成一个步态周期所需要完成的某种动作时，人体下肢所处于的空间位姿状态。比如，脚跟着地和脚跟离地是不同的行走状态。行走周期是指人在完成若干个步态周期所消耗的时间，这里分割的目的是将每个步态周期从行走周期中分割出来。

所述足底压力采集设备为可以采集足底压力变化信号的设备，如足底压力采集板，足底压力传感器等。

足底压力传感器如图3布置足底，人在行走过程中，足底对压力传感器产生压力。足底压力传感器根据压力输出电信号，电信号传入到信号调理进行信号调理。信号采集设备采集足底压力变化信号过程完毕。通过以上信号采集设备采集足底压力变化信号，将信号传输到信号处理设备中。信号处理设备对信号进行处理转化为足底压力变化数据；再将变化数据处理生成自适应集成学习分类识别模型存储于存储设备中，如硬盘等。

其具体步骤如下：

(1)人体行走周期足底压力变化信号获取和信号调理

足底的固定位置，同步获取用户在自然行走状态下足底压力变化信号，图3中第一压力传感器①位于第一跖趾关节，第二压力传感器②位于第三跖趾关节，第三压力传感器③位于第五跖趾关节，第四压力传感器④位于舟状骨，第五压力传感器⑤位于根骨位置。

所述信号调理包括信号标定放大电路和信号滤波电路，信号标定放大电路以集成运放芯片MCP6004为运放元件，信号滤波电路采用集成运放芯片OP207构成低通滤波电路，通带为1～100Hz。

所述信号标定放大电路(参见图1)包括滑动变阻器R5，滑动变阻器R5与足底压力传感器RX-D1016(足底压力传感器RX-D1016为压阻式的传感器，随着压力的变化，阻值变化。RX-D1016的阻值大小是随着外界施加压力变化而变化的)组成分压电路，滑动变阻器R5的固定端接地，滑动变阻器R5的滑动端连接足底压力传感器RX-D1016的固定端和电阻R1的一端，电阻R1的另一端接电阻R3的一端、集成运算放大器MCP6004的反向输入端连接，集成运算放大器的同向输入端连接电阻R2的一端，电阻R2的另一端接地；RX-D1016的滑动端接电源电压VCC，集成运算放大器的输出端连接限流电阻R4的一端，限流电阻R4的另一端接电阻R3的一端，并引出输出电压Vout；限流电阻R4的大小根据输出电压决定。图中VSS+表示的集成运算放大器(MCP6004或者OPA207)供电正电源，VSS-表示的是放大器供电负电源。

首先通过分压电路将足底压力传感器输出标定到同一水平，通过调节滑动变阻器R5，将所有的足底压力传感器在无负载状态下所输出的电压值统一为同一电压值。

本实施例中所有通道的足底压力传感器输出电压Vin统一标定为2.5v，再通过集成运算放大器MCP6004将标定后的信号进行放大，公式如下：

其中V_out为放大后的电压，V_in为足底压力传感器输出电压，Vcc为电源电压。

本实施例中R3＝40K，R1＝10K，将其放大倍数设定为4倍。

得到的原始足底压力变化信号通常存在大量的噪声，会影响后续的数据处理。采用软件信号滤波处理算法和硬件信号滤波电路相结合的方法对信号进行处理。所述硬件信号滤波电路，如图2所示，该滤波器电路由一阶RC电路和运算放大器OP207组成。为了滤掉频率100Hz以上的噪声，设计低通滤波器的截止频率为100Hz，这里的截止频率与足底压力信号采集设备的采集频率有关。

信号标定放大电路的信号放大倍数与信号采集设备的选择有关。信号采集设备所输出的电压信号强度满足信号处理设备的需求即可，比如信号采集设备输出电压为1v，信号处理设备电压下限为5v，则此时需将输出信号至少放大5倍，否则信号处理设备无法响应接收。信号处理设备指的是任何可以进行计算处理的通用计算机设备，如DSP，单片机，计算机等。

根据公式：

f_l＝1/2πR₆C₁

其中f_l指的是截止频率，选定R₆＝1.6kΩ，C₁＝100uF。

经过硬件信号滤波电路后的五个通道的足底压力变化信号通过信号处理设备转化为足底压力变化数据。通过软件信号滤波处理算法对足底压力变化数据采用一阶滞后滤波器对每个周期内所采集到的五通道足底压力变化数据进行软件二次滤波，有以下公式：

其中，i指数据的时序值，取值范围是i＝1,2,3.......n(n任意自然数)。这里以采集到的第一个足底压力变化数据的时序值作为基准1，以下采集的足底压变化数据的时序值按顺序标记为2，3，4等。(比如采集的第一个足底压力变化数据为2.12v，采集的第二个足底压力变化数据为2.46v，那么在时刻“1”采集到2.12v的压力数据，时刻“2”采集到2.46v的压力数据；相当于10点10分10秒采集到第一个数据；10点10分11秒采集到第二个数据。这里的时序值“1”相当于“10点10分10秒”，时序值“2”相当于“10点10分11秒”)x_i,j是第i时序值，第j通道的原始足底压力变化数据；

是第i时序值，第j通道经过软件滤波后的足底压力变化数据；

是第i-1时序值，第j通道经过软件滤波后的足底压力变化数据；λ为比例因子，取0.9。

(2)行走周期的分割和长度归一化

信号采集所采集到的一个行走周期内的足底压力变化数据是若干个步态周期的足底压力变化数据。需要将其中的每个单独的周期分割出来。根据所得到的步态周期内的足底压力数据和变化曲线图，如图4，图中横坐标为时序值，纵坐标为压力数，出现两个峰值和一个谷的双峰波形。其中第一个峰出现于对侧足蹬离后单足支撑期开始之时，此时单足的负重较大。谷值出现于负重在单足前移的过程中，因为对侧的蹬离动作产生一个身体向上的加速度，使得此时的足底压力略小于体质量值。第二个峰出现于对侧足足跟着地而同侧足蹬离时，此时加速度减小，单侧足底压力也处于较高的水平。

周期分割采用如下方法，这里选择足底压力数据和为参考，选取每个行走周期中的足底压力和曲线的显著谷底，然后以该谷底作为划分点，划分出若干个步态周期。根据显著经验(根据生活经验和实验数据验证得到；脚和地面的接触力为0的时候，是人的脚和地面不接触的时候，也就是在人刚要抬离地面、及刚要踏上地面的时刻)可得在步态周期开始时，脚底在完全离开地面，足底压力变化数据和为最小。以第一个出现的峰值的时序值作为步态周期起始点，同时该点也作为上一个周期的结束点，以下一个出现的峰值的时序值作为周期结束点，同时该点也作为下一个周期的起点。此为一个步态周期。以下的步态周期截取同此理。周期分割时间差值计算公式如下：

T_m＝i_s+1-i_s(s≤1,2.....),s为整数，

T_m是行走周期分割后得到的第m个步态周期，i_s和i_s+1分别是足底压力变化数据和中出现的第s个和s+1个峰值时的时序值。

数据进行归一化处理：这里以第一次得到的步态周期作为标准周期，之后的步态周期中足底压力变化数据采用搜索变异值最大算法处理。对于冗余数据，比如说标准周期长度为T₁，此区间内的周期长度为T₁+100。对这里的每一个数据进行变化率计算，对变化率取绝对值并按大小排序，删除变化率绝对值前100的冗余数据。同理，对于残缺数据，找出变化率绝对值后100的足底压力变化数据时序值，选取该足底压力变化数据的前后两个足底压力变化数据作为插值参考，采用拉格朗日插值的方法填补修复残缺的数据，得到归一化后的足底压力变化数据。拉格朗日插值公式如下：

式中，P_j是第j个通道待插补足底压力变化数据，i_P′j是第j个通道待插补足底压力变化数据的前一个时序值，i_P″j是第j个通道待插补足底压力变化数据的后一个时序值。P′_j是第j个通道待插补足底压力变化数据的前一个时序值的压力数据，P″_j是第j个通道待插补足底压力变化数据的后一个时序值的压力数据。

上述搜索变异值最大算法和拉格朗日插值法共同构成归一化处理。

(3)步态周期足底压力变化数据分界点时序值获取

获得已经归一化的一个步态周期足底压力变化数据后，根据各个通道足底压力变化数据曲线峰值的关系，即曲线间差异率最大公式，确定不同行走状态的分界点时序值。根据分界点时序值对步态周期进行划分得到行走状态的时序值范围。曲线间差异率最大公式如下：

这里

是第i时序值，第j个通道采集到的所有通道的归一化后的足底变化压力数据平均值；x_i,j是第i个时序值，第j个通道的归一化后的足底压力变化数据，j＝1,2,3,4,5..根据压力采集设备所采集位置个数确定，本实施例中位置个数为5。由以上公式，得到不同行走状态之间的分界点时序值。根据先验知识，第五通道传感器是在初始落地时压力最大，在离地蹬地时压力最小，第1，2，3，4，5通道传感器在“摆动腿”时，足底压力都是最小的。以此类推有下表：

将上表中所得压力分布规律与第二步骤得到曲线间最大差异率进行对比(表格中的数据只是示例，1表明该位置压力值是大于0的，具体是多少得根据应用情况来确定)得到每个行走状态分界点的时序值，得到行走状态的时序值范围。

(4)建立多通道行走状态特征数据集合

由于所有通道的足底压力变化数据都是同步采集的，上述得到的每个通道不同行走状态分界点时序值都是一致的。将采集的5通道的足底压力变化数据融合成为5维足底压力变化数据向量，根据上步得到的行走状态时序值范围，建立足底压力数据变化特征数据集合：

其中，γ是足底压力变化特征数据集合，

第i时序值的足底压力变化特征数据向量，

表示第i时序值的五维足底压力变化数据向量；

是第i时序值行走状态标签可信度向量，即第一个向量元素表示当前足底压力变化数据向量是“脚跟着地”的可能性权重为1。第二个向量元素表示表示当前足底压力变化数据向量是“全足放平支撑”的可能性权重为0，以下同理。根据上述得到的5维足底压力变化数据向量，与对应的行走状态标签可信度向量进行匹配。这里足底压力变化数据向量与行走状态可能性向量一一对应，举例得到的关系对应表如下：

将足底压力变化特征数据集合γ存储于信号处理设备的存储单元中。

(5)建立集成学习分类识别模型

根据以上数据集合γ，信号处理设备进行分类训练，具体包括以下步骤：

1)建立多类分类支持向量机，K临近，多类分类决策树模型

第一步建立多类分类支持向量机分类模型

根据数据集合γ，建立非线性多类分类支持向量机分类模型。数据集合γ中的m_i含有六个类别(与上述6种状态分别定义为1，2，3，4，5，6对应)：脚跟着地，全足放平支撑，重心前移，脚跟离地，脚尖蹬离地，摆动腿；分别创建六个二分类支持向量机来分类。

以下是一对多多分类算法解释：

首先，用二分类支持向量机1区分脚跟着地与其他行走状态，定义为y＝+1表示脚跟着地，用y＝-1表示其他行走状态，将脚跟着地区分出来。然后用二分类支持向量机2区分全足放平支撑和其他行走状态。以此类推，实现对六种行走状态的区分。当一个测试数据输入的时候，六个二分类支持向量机分别对该数据分类判定，得到六个判定概率。将其中最高的概率结果作为多分类支持向量机分类模型最终结果，记为h₁。

第二步建立KNN分类模型

首先，根据数据集合γ，将压力数据特征向量

构成5维欧式临近空间，公式如下：

其中

为第i时刻的足底压力变化数据向量，u是待分类足底压力变化数据，即当前采集的足底压力变化数据。这里选取k＝5，获取距离排序后距离待分类数据最近的前五个数据集合。将出现频率最高的类别作为KNN分类模型输出结果并记为h₂。

第三步建立多类分类决策树模型

根据数据集合γ的六个类别：脚跟着地，全足放平支撑，重心前移，脚跟离地，脚尖蹬离地，摆动腿；创建六个二分类决策树模型。

采用一对多多分类算法，建立多分类决策树。以下是一对多多分类算法过程解释：首先，用二分类决策树模型1区分脚跟着地与其他行走状态，定义为y＝+1表示脚跟着地，用y＝-1表示其他行走状态，将脚跟着地区分出来。然后用二分类决策树模型2区分全足放平支撑和其他行走状态。以此类推，实现对六种行走状态的区分。当一个测试数据输入的时候，六个二分类决策树模型分别对该数据分类判定，得到六个判定概率。将其中最高的概率结果作为多类分类决策树模型输出分类结果并记为h₂。

上述中建立二分类支持向量机和二分类决策树的过程为现有技术。

2)加权投票法建立集成学习分类识别模型

其中权重w_l,分别为0.3，0.4，0.3，该权重值根据对基分类器的可信度，自行选择。h_l表示分类器l输出结果，即各个基本分类器分类的结果，l＝1表示KNN分类模型，l＝2表示多类分类支持向量机分类模型，l＝3表示多类分类决策树模型。具体的投票法则遵循以下原则：当这里三种分类模型分别将某一输入数据输出为类别a，a，b时，根据权重得到可信度权重表：

根据上表可以得到集成学习分类识别模型的识别结果是a。经过试验论证该方法得到的行走状态识别结果成功率达到了98.5％，达到了更高的识别准确率。

(6)建立自适应集成学习分类识别模型

自适应是指：使用者使用时，采集的足底压力变化数据会即时更新足底压力变化特征数据集合γ，并且根据即时更新足底压力变化特征数据集合γ实时修正更新上述的集成学习分类识别模型，进而提高自适应集成学习模型对不同使用者的行走状态识别准确率。

具体如下：随着穿戴者的行走，最新的训练数据采用先入先出的方式进入新的足底压力变化特征数据集合

行走状态标签可信度向量的更新修正是根据当前集成学习分类识别模型识别的行走状态与当前集成学习分类模型识别的行走状态的下一阶段行走状态联合确定。举例说明，原始分类器检测到的一段连续数据都为“摆动腿”时，下一个阶段集成学习分类模型所预测的行走状态应该是“脚跟着地”。如果检测到的行走状态不是这种状态，而是“重心前移”等其他状态，则将此数据的原始标签值“重心前移”可信度权重降低，将“重心前移”可信度权重(即调整第五步中的可信度权重表)增高。同时采用先入先出方式更新行走状态标签可信度向量，直到向量中某一个元素增加到1。这里以“摆动腿”行走状态做为参考标准，在该种行走状态下，每个人的足底压力和都为“0”。这样，就避免了由于体重、行走习惯等个体差异性对于行走状态识别模型的影响。

集成学习分类识别模型每接收到一个新的足底压力变化数据，足底压力变化特征数据集合γ就删除一个元素，直到其识别误差率ε＝f(x)-y＜0.015。其中，f(x)预测的输出，y真实的输出。

本发明未述及之处适用于现有技术。

Claims (7)

1.一种基于集成学习和足底压力的自适应行走状态识别方法，该方法的步骤是：

步骤1：人体行走周期足底压力变化信号获取和信号调理

通过足底压力采集设备采集人体在一个步态周期中的多通道足底压力变化数据，然后将所采集的压力数据通过信号调理进行放大滤波处理，再经过信号处理设备进行二次滤波处理；足底压力采集设备在足底采集点的安放位置至少为五个，分别为第一跖趾关节、第三跖趾关节、第五跖趾关节、舟状骨及根骨位置；

步骤2：行走周期的分割和长度归一化

将上述步骤1得到的信号数据在信号处理设备中进行处理，根据搜索最大值差异法将行走周期分为若干个步态周期，同时选定第一个步态周期作为标准周期，根据标准周期，通过搜索变异值最大算法对其余的周期中的冗余数据和残缺数据进行定位，进而删除冗余数据并通过拉格郎日插值法修复残缺数据完成步态周期长度归一化；

行走周期的分割和长度归一化的具体过程是：

信号采集所采集到的一个行走周期内的足底压力变化数据是若干个步态周期的足底压力变化数据；需要将其中的每个单独的周期分割出来；根据所得到的步态周期内的足底压力数据和变化曲线图，图中横坐标为时序值，纵坐标为压力数，出现两个峰值和一个谷的双峰波形；其中第一个峰出现于对侧足蹬离后单足支撑期开始之时，此时单足的负重较大；谷值出现于负重在单足前移的过程中，因为对侧的蹬离动作产生一个身体向上的加速度，使得此时的足底压力略小于体质量值；第二个峰出现于对侧足足跟着地而同侧足蹬离时，此时加速度减小，单侧足底压力也处于较高的水平；

周期分割采用如下方法，这里选择足底压力数据和为参考，选取每个行走周期中的足底压力和曲线的显著谷底，然后以该谷底作为划分点，划分出若干个步态周期；根据显著经验得在步态周期开始时，脚底在完全离开地面，足底压力变化数据和为最小；以第一个出现的峰值的时序值作为步态周期起始点，同时该点也作为上一个周期的结束点，以下一个出现的峰值的时序值作为周期结束点，同时该点也作为下一个周期的起点，此为一个步态周期；以下的步态周期截取同此理；所述显著经验是：根据生活经验和实验数据验证得到，脚和地面的接触力为0的时候，是人的脚和地面不接触的时候，也就是在人刚要抬离地面、及刚要踏上地面的时刻；周期分割时间差值计算公式是：

T_m＝i_s+1-i_s(s≤1,2.....),s为整数，

T_m是行走周期分割后得到的第m个步态周期，i_s和i_s+1分别是足底压力变化数据和中出现的第s个和s+1个峰值时的时序值；

数据进行归一化处理：这里以第一次得到的步态周期作为标准周期，之后的步态周期中足底压力变化数据采用搜索变异值最大算法处理：对于冗余数据，标准周期长度为T₁，此区间内的周期长度为T₁+100，对这里的每一个数据进行变化率计算，对变化率取绝对值并按大小排序，删除变化率绝对值前100的冗余数据；对于残缺数据，找出变化率绝对值后100的足底压力变化数据时序值，选取该足底压力变化数据的前后两个足底压力变化数据作为插值参考，采用拉格朗日插值的方法填补修复残缺的数据，得到归一化后的足底压力变化数据；

拉格朗日插值公式如下：

式中，P_j是第j个通道待插补足底压力变化数据，

是第j个通道待插补足底压力变化数据的前一个时序值，

是第j个通道待插补足底压力变化数据的后一个时序值；P′_j是第j个通道待插补足底压力变化数据的前一个时序值的压力数据，P″_j是第j个通道待插补足底压力变化数据的后一个时序值的压力数据；

上述搜索变异值最大算法和拉格朗日插值法共同构成归一化处理；

步骤3：步态周期足底压力变化数据分界点时序值获取；

步骤4：建立多通道行走状态特征数据集合

根据步骤3得到确定分界点后的多通道足底压力变化数据，将五通道足底压力变化数据融合成为五维足底压力变化数据向量，并根据步骤3得到的行走状态时序值范围，建立足底压力数据变化的多通道行走状态特征数据集合；

步骤5：建立集成学习分类识别模型

根据步骤5得到的多通道行走状态数据集合，分别建立KNN分类模型、多类分类支持向量机分类模型、多类分类决策树模型，再将上述三个模型根据加权投票集成法则集成为一个集成学习分类识别模型；

步骤6：建立自适应集成学习分类识别模型

使用者使用时，采集当前使用者的足底压力变化数据，并将该数据即时更新步骤4的足底压力变化特征数据集合γ，并且根据即时更新的足底压力变化特征数据集合γ实时修正更新步骤5的集成学习分类识别模型，自适应识别出不同使用者的行走状态。

2.根据权利要求1所述的基于集成学习和足底压力的自适应行走状态识别方法，其特征在于，步骤3的具体过程是：获得已经归一化的一个步态周期足底压力变化数据后，根据各个通道足底压力变化数据曲线峰值的关系，即根据曲线间差异率最大公式，确定不同行走状态的分界点时序值，根据分界点时序值对步态周期进行划分得到行走状态的时序值范围。

3.根据权利要求1所述的基于集成学习和足底压力的自适应行走状态识别方法，其特征在于，所述信号调理包括信号标定放大电路和信号滤波电路，信号标定放大电路以集成运放芯片MCP6004为运放元件，信号滤波电路采用集成运放芯片OP207构成低通滤波电路，通带为1～100Hz。

4.根据权利要求3所述的基于集成学习和足底压力的自适应行走状态识别方法，其特征在于，所述信号标定放大电路包括滑动变阻器R5，滑动变阻器R5与足底压力传感器组成分压电路，滑动变阻器R5的固定端接地，滑动变阻器R5的滑动端连接足底压力传感器RX-D1016的固定端和电阻R1的一端，电阻R1的另一端接电阻R3的一端、集成运算放大器MCP6004的反向输入端连接，集成运算放大器的同向输入端连接电阻R2的一端，电阻R2的另一端接地；RX-D1016的滑动端接电源电压VCC，集成运算放大器的输出端连接限流电阻R4的一端，限流电阻R4的另一端接电阻R3的一端，并引出输出电压Vout。

5.根据权利要求1所述的基于集成学习和足底压力的自适应行走状态识别方法，其特征在于，二次滤波的公式为：

其中，i指数据的时序值，取值范围是i＝1,2,3.......n，n为自然数；x_i,j是第i时序值，第j通道的原始足底压力变化数据；

是第i时序值，第j通道经过软件滤波后的足底压力变化数据；

是第i-1时序值，第j通道经过软件滤波后的足底压力变化数据；λ为比例因子。

6.根据权利要求1所述的基于集成学习和足底压力的自适应行走状态识别方法，其特征在于，步骤2周期分割时，以足底压力数据和为参考，选取每个行走周期中的足底压力和曲线的显著谷底，然后以该谷底作为划分点，划分出若干个步态周期。

7.根据权利要求1所述的基于集成学习和足底压力的自适应行走状态识别方法，其特征在于，加权投票集成法则为：

其中权重w_l,分别为0.3，0.4，0.3，h_l表示分类器l输出结果，l＝1表示KNN分类模型，l＝2表示多类分类支持向量机分类模型，l＝3表示多类分类决策树模型。

Images