郭子铭，宋春宁，王灿

(1.广西大学 电气工程学院， 广西 南宁 530004；2.中国科学院 深圳先进技术研究院， 广东 深圳 518055)

0 引言

康复领域中的事件检测最近已成为步态阶段检测的趋势。步态分析可以帮助康复治疗师在康复过程中观察患者的情况。目前近80 %的中风患者遭受严重损伤，步态阶段检测是检测患者健康状况的有效方法[1]，它可以有效地帮助患者康复。

JOSHI等[2]采用LDA(linear discriminant analysis)将步态周期的不同阶段与下肢的表面肌电图(surface electromyography, sEMG)信号数据进行划分。CHU等[3]提出了一种GMM(ganssian mixed model)分类器，并探讨是否可以通过GMM分类器将特征向量成功分类为脚掌着地(foot flat, FF)和脚部抬起(swing, SW)阶段。SUO等[4]使用经典的机器学习方法——KNN(k-nearest neighbors)分类器进行步态识别。WANG等[5]提出了一种表面肌电图(sEMG)运动模式分类器，将神经网络(neural networks, NN)与参数模型结合在一起。

文献[2～5]中提到了很多方法，但时间序列的缺点并未解决,这将导致训练速度变慢，更多的内存消耗以及长时间序列的准确性降低。同时，传统的机器学习架构通常具有爆炸性或消失性的梯度。而且仅有少数研究通过使用sEMG信号对步态阶段进行分类[6-7]。sEMG被称为非侵入性指标，不会给人体造成损伤，特别适合于监测步行过程中的肌肉活动[8]。受文献[9]研究的启发，笔者提出了一种基于sEMG信号的用于步态阶段分类的长短期记忆模型(long short-term memory model, LSTMM)，通过6个sEMG信号划分外骨骼机器人脚与地面之间步态周期的四个阶段:脚跟着地(heel strike,HS)、脚掌着地(foot flat, FF)、脚尖着地( heel off, HO)及脚部抬起(swing, SW)。其主要流程见图1。

图1 基于sEMG的步态阶段分类的主要……