《Biomimetic Intelligence and Robotics》：A multi - task framework based on SDA - LSTM fusion network for gait phase recognition and gait cycle percentage progression prediction by IMU for forward walking
编辑推荐：
本研究针对外骨骼自适应控制中步态相位识别与步态周期预测任务分离的问题，提出了一种基于堆栈降噪自编码器(SDA)与长短期记忆网络(LSTM)融合的多任务学习框架。该框架利用惯性测量单元(IMU)信号，实现了前向行走中离散步态相位分类和连续步态周期百分比预测。在跨被试验证中，SDA-LSTM模型在步态相位分类上达到97.3%的准确率，在强噪声(SNR=5 dB)条件下仍保持95.68%的准确率；在周期预测任务中，误差指标仅轻微上升，展现了优异的准确性和鲁棒性，为可靠的人机交互提供了技术支撑。
在康复工程和辅助机器人领域，如何让外骨骼设备像“贴心伙伴”一样理解人类的行走意图，并实时提供精准、自然的助力，一直是个核心挑战。这其中的关键在于，设备需要实时且准确地识别出穿戴者正处于行走周期的哪个阶段（即步态相位识别），并预测其步态周期的进展百分比。然而，当前的研究往往将这两个在时空中天然耦合的任务分开研究，这种分离限制了辅助设备在真实复杂环境中的适应性和响应速度。此外，来自传感器的信号常常受到噪声干扰，不同个体的行走模式也存在差异，这些都向算法的准确性和鲁棒性提出了严峻考验。
为了攻克这些难题，来自上海理工大学健康科学与工程学院的Pang Zhi、Cao Wujing等研究人员在《Biomimetic Intelligence and Robotics》上发表了一项研究，他们巧妙地将堆栈降噪自编码器(SDA)和长短期记忆网络(LSTM)融合，构建了一个新颖的多任务学习框架。该框架能够同时处理步态相位分类（将步态划分为站立相ST和摆动相SW）和连续步态周期百分比预测这两个任务，旨在为外骨骼系统提供更全面、更稳健的感知能力。
研究人员为开展此项研究，主要运用了几项关键技术方法。首先，他们利用公开数据集，获取了10名受试者在跑步机上以四种不同速度（0.6 m/s, 0.95 m/s, 1.3 m/s, 1.65 m/s）前向行走时的髋关节六维IMU（三轴角速度、三轴加速度）数据作为模型输入。其次，核心模型架构融合了SDA和LSTM：SDA模块通过引入Dropout噪声模拟传感器失真，用于从滑动窗口数据中提取鲁棒的深层特征；LSTM网络则负责对时序依赖关系进行建模。最后，研究采用了严格的跨被试验证方式，即使用7名受试者的数据训练模型，然后用另外3名完全未参与训练的受试者数据测试模型性能，以评估其泛化能力。同时，通过添加不同信噪比(SNR)的高斯白噪声，系统评估了模型在噪声干扰下的鲁棒性。
4.1. 步态相位识别准确性
研究人员将SDA-LSTM模型与支持向量机(SVM)、XGBoost以及基础LSTM模型进行了对比。结果表明，在跨被试测试中，SDA-LSTM模型取得了最佳的整体性能，平均识别准确率达到97.3%，仅比其在训练集上的表现（98.61%）下降了1.31%，显示出优异的泛化能力。具体到步态相位，站立相(ST)的平均识别准确率为97.88%，摆动相(SW)为96.7%。该结论通过对比不同算法在测试集上的混淆矩阵和平均准确率得出。
4.2. 步态周期百分比预测
对于连续步态周期百分比预测任务，SDA-LSTM模型同样表现出色。在四种行走速度下，其预测结果与真实值高度吻合。评估指标显示，平均均方根误差(RMSE)为0.0845，平均绝对误差(MAE)为0.0323，决定系数(R2)为0.9151，皮尔逊相关系数(PCC)为0.9573。这些指标表明模型能够高精度地预测步态周期的连续进展。该结论通过计算预测值与真实值之间的误差和相关性指标得出。
4.3. 模型的鲁棒性分析
4.3.1. 步态相位识别的鲁棒性分析
为了检验模型抗干扰能力，研究者在测试数据中加入了不同强度（SNR从5 dB到30 dB）的高斯白噪声。结果显示，在强噪声(SNR = 5 dB)条件下，SDA-LSTM模型的步态相位识别准确率仍能保持在95.68%，仅比无噪声条件下降1.88%。相比之下，传统机器学习模型SVM和XGBoost在强噪声下准确率急剧下降。这表明SDA模块有效提升了模型对噪声的鲁棒性。该结论通过比较不同模型在不同信噪比下的识别准确率变化得出。
4.3.2. 步态周期百分比预测分析
在回归任务中，SDA-LSTM模型同样展现了强大的抗噪声能力。即使在SNR = 5 dB的恶劣条件下，其预测误差仅轻微增加，RMSE从无噪声时的0.0807上升至0.089，增加了0.0083；R2和PCC也仅分别下降了0.0173和0.0089，各项指标均维持在良好水平，再次验证了模型框架的稳定性。该结论通过分析不同噪声水平下回归任务评估指标的变化得出。
综上所述，这项研究成功地开发并验证了一个基于SDA-LSTM融合网络的多任务学习框架。该框架的核心优势在于其能够协同处理步态识别中的分类与回归问题，并凭借SDA的特征学习能力展现出卓越的噪声鲁棒性和跨被试泛化能力。实验结果表明，该模型在步态相位识别和连续周期预测方面均达到了高精度，并且在模拟的强噪声环境下性能损失微小。
这项研究的重要意义在于，它为解决外骨骼等可穿戴设备在实际应用中的核心感知难题提供了一种高效、可靠的解决方案。通过同时精准地识别步态相位和预测周期进度，外骨骼系统可以更准确地判断用户的运动意图，从而为实现更自然、更安全、更自适应的人机交互控制奠定坚实基础，有力推动了智能康复辅助技术向日常化、实用化迈进。当然，本研究目前主要针对健康受试者的前向直线行走，未来的工作可以进一步扩展到包含复杂环境（如转弯、上下楼梯）和病理步态的数据集，并探索更精细的步态相位划分策略，以增强模型的普适性和临床适用性。
