摘要
下肢助力型外骨骼机器人可帮助具有行走能力的穿戴者提高其运动能力或负载能力。然而，目前该类外骨骼尚不能根据穿戴者的当前步态自适应改变控制参数，导致助力效果不理想，舒适性较差。 步态自适应控制是解决该问题的有效途径，但其难点之一在于如何通过佩戴在穿戴者身上的传感器信息进行准确地步态分类。传统步态分类研究是将大量传感器佩戴在穿戴者身上，通过大量收集各传感器信号中的步态信息来实现的。但此类方法对控制器性能要求非常高，导致设备成本的增加。此外，这种方法需要穿戴者佩戴大量传感器，导致佩戴舒适度的降低。因此，如何使用少量传感器的同时，又能准确地实时分类步态是一个亟待解决的关键问题。 为此，本文提出适用于下肢助力型外骨骼机器人的、仅用腰部数据就能对4种常见步态进行有效分类的步态分类器，以减少传感器数量和步态信息数量。具体研究内容如下： 首先，通过对行走步态的分析，确定以正常态、踢腿态、踏步态以及拖步态4种常见步态为分类对象。 其次，采用3D运动捕捉系统对各步态时空参数和运动学参数进行采集，在通过对所采集数据进行计算和单因素方差分析的基础上，确定以腰部的8个步态信息作为步态分类器的信息源。 最后，结合上述提取信息源建立基于灰狼算法优化支持向量机模型(GWO-RBF-SVM)的步态分类器。该分类器仅利用腰部8个步态信息就能对上述4种常见步态进行有效分类。实验结果表明所提出的步态分类器与其他分类器相比，具有更高的正确率、精确率、召回率和F1评分。
NETL