基于人体参数的训练轨迹生成模型构建方法、系统、装置

技术领域

本发明属于计算机领域，具体涉及一种基于人体参数的训练轨迹生成模型构建方法、系统、装置。

背景技术

目前，得益于现代医学的发展，脑卒中、脑外伤和脊柱损伤等疾病的致死率已经大幅降低；但经过急性期的治疗后，多数患者都存在下肢运动功能障碍等后遗症，需要长期的康复训练，其中以步态康复训练为主。在传统步态康复训练中，往往需要多名康复治疗师共同完成。在目前国内康复治疗师资源紧缺的情况下，下肢康复机器人常被用于患者的康复训练中，辅助或主动带动患者进行步态训练。在下肢康复机器人采用的步态轨迹主要是髋、膝和踝三个关节在人体矢状面的角度轨迹。通过采集正常人的行走时步态轨迹数据，然后作为患者步态康复训练的模板在机器人上使用。然而，研究表明，步态轨迹存在个体差异，与人体特征如性别，年龄和身高等因素具有较强的相关性。根据患者的特征，通过下肢康复机器人提供一个更符合患者的步态轨迹训练，则对患者康复效果的提升具有促进作用。

本发明提出一种基于人体参数的个性化步态轨迹生成方法，通过傅里叶级数拟合髋、膝和踝三关节角度曲线，采用拟合后的傅里叶系数替代步态轨迹，并在下肢康复机器人上应用；基于14个人体参数，通过机器学习的方法对人体参数与傅里叶系数的关系建模，进而构建了基于人体参数的个性化步态轨迹生成模型。

发明内容

为了解决现有技术中的上述问题，即为了解决现有下肢康复机器人步态训练轨迹单一问题，本发明的第一方面，提出了一种基于人体参数的训练轨迹生成模型构建方法，包括以下步骤：

基于输入特征集合、傅里叶系数集合，构建训练样本集；

基于所述训练样本集，对预设关节分别进行多个类别回归模型的训练，并选择预测误差最小的回归模型作为对应关节的角度生成模型；

将得到的多个关节的角度模型进行组合，得到包含预设关节的人体部位的训练轨迹生成模型；

其中，

所述输入特征集合包含多个人体的人体特征类别参数；

所述傅里叶系数集合为基于预设关节的测试数据，通过傅里叶级数方法拟合获得的关节角度函数中的系数项；

所述预设关节为待生成轨迹的人体部位所包含的关节。

在一些优选实施方式中，所述输入特征集合，其获取方法为：

基于初始样本集，采用最大相关最小冗余度方法获取输入特征集合；所述初始样本集中的每一个样本包括一个个体的与预设人体特征类别对应的参数。

在一些优选实施方式中，“采用最大相关最小冗余度方法选择输入特征集合”，其方法为：

步骤S110，对所述傅里叶系数集合，基于预设人体特征，通过互信息计算获得每一个傅里叶系数对应的特征排序；

步骤S120，对各傅里叶系数对应的特征排序，通过计算序号均值的方法获得最终特征排序；

步骤S130，基于所述最终特征排序，按顺序依次增加预设人体特征作为备选输入特征集合，分别与所述傅里叶系数集合进行建模，获得中间模型，选取均值误差最小的中间模型对应的备选输入特征集合作为选定的输入特征集合。

在一些优选实施方式中，“对所述傅里叶系数集合，基于预设人体特征，通过互信息计算获得每一个傅里叶系数对应的特征排序”，其方法为：

步骤S111，从所述傅里叶系数集合中选取一个傅里叶系数；

步骤S112，针对单个傅里叶系数，依次计算它与每个预设人体特征的互信息，将最大互信息对应的预设人体特征放入特征集D

步骤S113，对特征集D

步骤S114，选取步骤S113中最大的互信息平均值对应的特征集D

步骤S115，执行步骤S112至步骤S114，直至特征集D

步骤S116，从所述傅里叶系数集合剩余的傅里叶系数中选取一个，执行步骤S112，直至所述傅里叶系数集合中所有傅里叶系数均获得了对应的特征排序。

在一些优选实施方式中，所述包含预设关节的人体部位为人体下肢；所述预设关节包括髋关节、膝关节、踝关节。

在一些优选实施方式中，所述训练轨迹生成模型还包括与关节角度对应的重心计算模块；

所述重心计算模块，配置为基于髋关节角度、膝关节角度、踝关节角度，利用肢体和关节的几何关系进行重心的计算。

在一些优选实施方式中，基于预设关节的测试数据，通过傅里叶级数方法拟合获得的关节角度函数f(t)为

其中，n是拟合的阶数，

在一些优选实施方式中，多个类别回归模型包括支持向量机回归模型、随机森林回归模型。

本发明的第二方面，提出了一种基于人体参数的训练轨迹生成模型构建系统，包括第一单元、第二单元、第三单元；

所述第一单元，配置为基于输入特征集合、傅里叶系数集合，构建训练样本集；

所述第二单元，配置为基于所述训练样本集，对预设关节分别进行多个类别回归模型的训练，并选择预测误差最小的回归模型作为对应关节的角度生成模型；

所述第三单元，配置为将得到的多个关节的角度模型进行组合，得到包含预设关节的人体部位的训练轨迹生成模型；

其中，

所述输入特征集合包含多个人体的人体特征类别参数；

所述傅里叶系数集合为基于预设关节的测试数据，通过傅里叶级数方法拟合获得的关节角度函数中的系数项；

所述预设关节为待生成轨迹的人体部位所包含的关节。

本发明的第三方面，提出了一种处理装置，包括处理器、存储装置；处理器，适于执行各条程序；存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的基于人体参数的训练轨迹生成模型构建方法。

本发明的有益效果：

基于本发明方法构建的训练轨迹生成模型，可以基于使用者具体的人体参数进行差异化训练轨迹的生成，所生成的训练轨迹更加贴合使用者的人体状况，可以提升使用者的训练效果，进而改善使用者的运动功能。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本发明一种实施例的基于人体参数的训练轨迹生成模型构建方法流程示意图；

图2是本发明一种实施例中下肢关节角度示意图；

图3是本发明一种实施例下肢简化模型示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

本发明的一种基于人体参数的训练轨迹生成模型构建方法，如图1所示，包括以下步骤：

基于输入特征集合、傅里叶系数集合，构建训练样本集；

基于所述训练样本集，对预设关节分别进行多个类别回归模型的训练，并选择预测误差最小的回归模型作为对应关节的角度生成模型；

将得到的多个关节的角度模型进行组合，得到包含预设关节的人体部位的训练轨迹生成模型；

其中，

所述输入特征集合包含多个人体的人体特征类别参数；

所述傅里叶系数集合为基于预设关节的测试数据，通过傅里叶级数方法拟合获得的关节角度函数中的系数项；

所述预设关节为待生成轨迹的人体部位所包含的关节。

为了更清晰地对本发明进行说明，下面结合附图对本方发明一种实施例中各部分进行展开详述。

本发明一种实施例的基于人体参数的训练轨迹生成模型构建方法，以人体下肢为例进行说明，当然，还可以应用于其他人体部位的训练轨迹建模，比如上肢。

在进行本实施例具体步骤说明之前，先对人体下肢的步态轨迹的采集与拟合进行说明。

如图2所示的人体下肢示意图，分别对步态轨迹中髋关节角度、膝关节角度和踝关节角度进行定义。髋关节角度为重心曲线(l

使用关节角度数据测量仪器采集正常人在不同速度(v

经过处理后的三关节角度曲线是由几百个离散采样点组成，如果直接使用离散的步态轨迹数据点会带来两个问题：一方面是增加建模的困难，预测几百个离散点会导致轨迹生成模型复杂度过高；另一方面不利于下肢康复机器人关节处的电机控制。

在本发明中，采用傅里叶级数方法(1)拟合关节角度数据，可获得一个与时间t相关的函数f(t)，如式(1)所示:

其中，n是拟合的阶数，

阶数n的选择是根据拟合后的曲线与原始曲线的绝对误差值决定，通过实验测试，在拟合阶数为5时，误差值下降趋近平缓，同时三个关节的拟合误差都在0.3度以内，综合考虑误差与拟合模型复杂度，最终选取n＝5作为最终的拟合阶数。因此，每个关节轨迹通过拟合后，可以获得12个傅里叶系数(ω、a

本发明方法实施例为本发明方法的一种优选实施例，包括以下步骤：

步骤S100，基于初始样本集，采用最大相关最小冗余度方法获取输入特征集合。

初始样本集中的每一个样本包括一个个体的与预设人体特征类别对应的参数。对于本实施例，通过对人体下肢解剖学分析，以及对相关资料调研，可以选择14个人体特征(预设人体特征)进行步态轨迹进行建模，特征主要有：性别，年龄，身高，体重，髂骨宽度，髋部两侧转子宽度，髂骨前上棘宽度，大腿长度，小腿长度，膝关节直径，踝高，踝宽，脚长和脚宽。基于预设人体特征进行人体数据采集，每个人体对应的一组数据作为一个样本来构建第一样本集。

基于本发明的方法，输入特征集合可以为上述的14个人体特征，但该输入特征过多，带来了系统的复杂性，和使用者数据采集的繁琐度。本发明从两方面重新进行了考虑：一是由于14个特征之间可能存在较大的相关性，如：髂骨宽度和髂骨前上棘宽度；二是为了简化特征集，降低测量特征的时间。本发明实施例中采用最大相关最小冗余度准则(mRMR)对特征集进行优化，特征之间的冗余度以及特征与傅里叶系数间的相关性用互信息来表征，互信息I(X,Y)的计算方式如公式(2)所示，

其中，X和Y是两个特征属性，x和y是样本的特征属性值，p(x)和p(y)是边缘概率分布，p(x,y)是联合概率分布。

采用最大相关最小冗余度方法选择输入特征集合，可以通过以下步骤实现：

步骤S110，对所述傅里叶系数集合，基于预设人体特征，通过互信息计算获得每一个傅里叶系数对应的特征排序。

该步骤进一步包括：

步骤S111，从所述傅里叶系数集合中选取一个傅里叶系数。

可以对傅里叶系数集合中的各系数项进行排序，然后依次选取进行如下步骤的操作，例如，第一次选取排序第一的系数项；在步骤S116中再依次进行后续各系数项的选择。

步骤S112，针对单个傅里叶系数，依次计算它与每个预设人体特征的互信息，将最大互信息对应的预设人体特征放入特征集D

放入特征集D

步骤S113，对特征集D

本步骤中，可以依次从D

其中，i＝1,...,n

步骤S114，选取步骤S113中最大的互信息平均值对应的特征集D

依据步骤S113中计算得到的特征集D

步骤S115，执行步骤S112至步骤S114，直至特征集D

步骤S116，从所述傅里叶系数集合剩余的傅里叶系数中选取一个，执行步骤S112，直至所述傅里叶系数集合中所有傅里叶系数均获得了对应的特征排序。

执行到步骤，每个傅里叶系数都会对应一个特征排序。本实施例中，12个傅里叶系数对应12个特征排序。

步骤S120，对各傅里叶系数对应的特征排序，通过计算序号均值的方法获得最终特征排序。

在12个特征排序中，任一个特征均对应12个序号，将12个序号进行均值计算，即可得到其在最终特征排序中的序号。若出现两个特征均值计算后的值相同，则按照预设的傅里叶系数集合各系数项的排序，选择排序第一系数项(或者其他指定的系数项)对应的特征排序中两个特征的排序前后进行该两个特征在最终特征排序中前后顺序的确定。

步骤S130，基于所述最终特征排序，按顺序依次增加预设人体特征作为备选输入特征集合，分别与所述傅里叶系数集合进行建模，获得中间模型，选取均值误差最小的中间模型对应的备选输入特征集合作为选定的输入特征集合。

基于备选输入特征集合、所述傅里叶系数集合进行建模，其方法优选采用下述的步骤S200、步骤S300的方法进行。

备选输入特征集合的选取方法为，从最终特征排序中，第一次取排序第一的特征与傅里叶系数集合进行建模，第二次增加排序第二的特征，再与傅里叶系数集合进行建模，以后依次类推，每次建模都顺次增加一个特征构建备选输入特征集合。

对不同备选输入特征集合分别构建的模型，本实施例采用5折交叉验证计算对应模型的均值误差，然后选取均值误差最小的中间模型对应的备选输入特征集合作为选定的输入特征集合。

经过试验，本实施中备选输入特征集合包含前六个特征的时候，关节角度重建的误差是最小的，因此本实施例选取最终特征排序的前六个特征作为输入特征集合。

步骤S200，训练轨迹生成模型的构建。

基于输入特征集合、傅里叶系数集合，构建训练样本集；基于所述训练样本集，对预设关节分别进行多个类别回归模型的训练，并选择预测误差最小的回归模型作为对应关节的角度生成模型；将得到的多个关节的角度模型进行组合，得到包含预设关节的人体部位的训练轨迹生成模型；所述输入特征集合包含多个人体的人体特征类别参数；所述傅里叶系数集合为基于预设关节的测试数据，通过傅里叶级数方法拟合获得的关节角度函数中的系数项；所述预设关节为待生成轨迹的人体部位所包含的关节。本实施例中包含预设关节的人体部位为人体下肢；预设关节包括髋关节、膝关节、踝关节。

本实施例中，采用两种回归建模方法，分别是支持向量机回归模型、随机森林回归模型。两种模型的输入都是优化后的特征子集(输入特征集合中6个特征)，输出是12个傅里叶系数(ω、a

基于输入特征集合、傅里叶系数集合，构建训练样本集、测试样本集。通过训练样本集同时采用两种回归模型对三个关节进行训练，每个关节得到两个训练后的模型，然后利用测试样本集进行预测误差的即计算，从每个关节对应的两个训练后的模型中，分别选取一个预测误差最小的模型作为对应关节的角度生成模型，基于得到的三个关节的角度生成模型构建最终的训练轨迹生成模型，针对本实施例，可以更贴切的命名为步态轨迹生成模型。

基于得到的步态轨迹生成模型，当有新的患者时，只需要测量6个人体特征，通过建立好的个性化步态轨迹生成模型，生成相对应的傅里叶系数，进而重建出步态轨迹。

步骤S300，动态重心调整。

本实施例在步态轨迹生成模型中还加入了与关节角度对应的重心计算模块。重心计算模块，配置为基于髋关节角度、膝关节角度、踝关节角度，利用肢体和关节的几何关系进行重心的计算。

人体在行走中，重心也会随着关节角度的改变发生变化。在个性化步态轨迹生成的过程中，提供与关节角度变化对应的重心变化曲线是非常重要的。尤其是患者在步态康复训练中，重心的变化影响着对步态的感知。在本发明中，通过构造简化人体下肢模型，在已有的髋、膝、踝三关节角度的基础上，利用肢体和关节之间的几何关系，计算出重心的轨迹曲线。

人体下肢简化模型如图3所示，其中大腿和小腿简化为两连杆，脚简化为三角形(靠近脚踝处内角为θ

h＝h

h

h

其中，l

通过将一个步态周期内的髋膝踝三关节的角度数据代入公式(4),可以计算得到重心的周期变化曲线。

本发明第二实施例的一种基于人体参数的训练轨迹生成模型构建系统，包括第一单元、第二单元、第三单元；

所述第一单元，配置为基于输入特征集合、傅里叶系数集合，构建训练样本集；

所述第二单元，配置为基于所述训练样本集，对预设关节分别进行多个类别回归模型的训练，并选择预测误差最小的回归模型作为对应关节的角度生成模型；

所述第三单元，配置为将得到的多个关节的角度模型进行组合，得到包含预设关节的人体部位的训练轨迹生成模型；

其中，

所述输入特征集合包含多个人体的人体特征类别参数；

所述傅里叶系数集合为基于预设关节的测试数据，通过傅里叶级数方法拟合获得的关节角度函数中的系数项；

所述预设关节为待生成轨迹的人体部位所包含的关节。

所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。

需要说明的是，上述实施例提供的基于人体参数的训练轨迹生成模型构建系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。

本发明第三实施例的一种存储装置，其中存储有多条程序，所述程序适于由处理器加载并执行以实现上述的基于人体参数的训练轨迹生成模型构建方法。

本发明第四实施例的一种处理装置，包括处理器、存储装置；处理器，适于执行各条程序；存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的基于人体参数的训练轨迹生成模型构建方法。

所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。

术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。