人体步态时相的自动识别:基于高斯混合和隐马尔科夫模型融合算法的创新应用

目的人体步态时相的精确识别对于运动障碍的诊断、膝关节炎、帕金森病的康复治疗评估及运动生物力学的研究至关重要。本研究提出一种融合算法,结合高斯混合模型(GMM)和隐马尔科夫模型(HMM),旨在实现人体步态时相的准确自动识别,以优化相关诊断和治疗过程。方法首先,利用IMU传感器采集80名志愿者步态数据,使用矢状面速度的一阶差分作为特征值输入。采用基于GMM-HMM的融合算法对人体步态数据进行训练分析。通过GMM模型进行数据聚类,区分静止相、站立相及摆动相。利用聚类结果的模型参数作为HMM模型的发射概率进行训练,从而精确识别步态时相。此外,为排除正常行走下转身和急停等异常状态的影响,进一步使用动态时间规整(DTW)算法筛选出完整的步态周期。结果本研究所提出的方法在静止相、站立相和摆动相的识别中分别达到了100%、93.67%和75.67%的精确率;召回率分别为92.67%、75.67%和96%;F1得分分别为96.33%、83.67%和84.33%。步态周期提取的准确率为82.61%,且适用于不同年龄和体型的受试者。结论GMM-HMM融合算法在识别人体步态时相上显示了较好的鲁棒性和准确性。本研究为康复工程与运动生物力学领域提供了一种高效且准确的分析工具,能够有效地监控和评估病患的康复进程,支持康复治疗的决策制定。