下载文档原格式
人体行走特征识别研究作者：杜慧赵晓东来源：《科技风》2018年第28期摘要：针对运动状态下人体步态的特征识别，本文采用了一种基于轮廓的方法对步态特征进行提取，先把目标从背景中分离出来，再提取人的整体轮廓，本文中所提取的人在行走过程中的特征就是人的质心点到轮廓边缘各个像素点之间的距离。
然后使用BP神经网络算法根据步态数据库进行步态识别。
结果表明，本文中的步态识别算法准确率优于其他算法。
关键词：轮廓；特征提取；BP神经网络；步态识别绪论随着社会与科学技术的发展，人们希望计算机能够更智能化，并且完成一些只有人类智能才能做到的复杂工作。
计算机信息处理过程在一定程度上模拟了人脑信息处理过程，都经过了输入、处理和输出三个阶段。
人体步行特征识别是生物识别技术中一个新的领域，它对于身份的识别主要是依据人行走时的步行姿态以及腿部特征。
人体的步行特征识别具有非侵犯性并且很难伪装，它是不需要物理接触的，但是指纹识别、人脸的面部识别以及虹膜识别需要近距离接触才能提取想要的特征。
近年来，人体行走特征识别使广大研究人员产生很大的兴趣。
一些传统的人体步行特征识别方法提取到的都是二维特征和信息，由摄像机拍摄到的人们走路的图片，提取图片中人们走路时的一些腿部特征，如步间距、步行周期等。
这些都是属于二维的步态特征，人在走路或者运动的时候这些信息都被忽略，这样无法体现人的状态过程。
对于这些问题，本文通过轮廓图提取了三维特征参数。
利用摄像机采取单帧步态图像序列，根据人身体的结构知识和摄像机标定的知识通过人体的整体轮廓图提取人走路时的三维特征数据，然后进行分析，进而达到步态识别的目的。
[2]步态特征提取人体步态特征信息是人的整体轮廓周期变化的一个过程，包括动态特征和静态特征。
轮廓的距离特征具有旋转、平移不变[3]等特性。
人的行走过程是时空运动，空间方面体现在每帧图片中的运动轮廓，时间方面体现在静态特征随着时间的变化过程。
人的行走过程是周期变化的，所以人的整体轮廓随着时间的变化也是周期性的，对于不同的人轮廓也有所不同，通过轮廓特征能够较充分的得到人在运动过程中的变化特性。
基于神经网络的人物动作识别系统设计近年来，随着人工智能技术的不断发展，人们生活中的许多方面都得到了改善和提升。
其中，基于神经网络的人物动作识别系统是一个被广泛关注和应用的领域，其可以实现对人物在特定环境下的动作进行识别和分析。
一、技术背景在人物动作识别领域，常用的技术有图像处理、传感器识别、统计学习等。
其中，机器学习的发展为人物动作识别系统的实现提供了支持。
神经网络作为机器学习技术的一种，因其具备高效性和智能性而广受关注。
基于神经网络的人物动作识别系统通常分为数据采集、特征提取、分类预测三个阶段。
其中，数据采集需要通过传感器或摄像头对人物进行采集，以获取人物的运动轨迹等信息；特征提取则对采集到的数据进行处理，提取出人物的关键特征；而分类预测则使用神经网络对提取的特征进行学习和分类，以实现对不同动作的识别和分析。
二、数据采集数据采集是人物动作识别系统设计中的重要环节，其对后续的特征提取和分类预测具有关键影响。
通常采用的方式有：1. 传感器采集：通过加速度计、陀螺仪等传感器对人体运动进行采集，以获取人体姿态、运动轨迹等数据。
2. 摄像头采集：通过摄像头对人物在特定环境下的动作进行录制，并通过图像处理技术提取出相应的运动特征。
不同的采集方式具有不同的优缺点，其选择需要根据实际需求进行权衡和判断。
三、特征提取特征提取是基于神经网络的人物动作识别系统设计的关键步骤之一。
其目的是从采集到的数据中提取出物体的关键特征，从而为后续的分类预测提供支持。
通常采用的特征提取方式有：1. 时域特征提取：对于时间序列数据，通过处理其均方差等统计学特征，以及一些时域分析技术，如自相关、互相关等，提取出关键特征。
2. 频域特征提取：对于采集到的信号，采用快速傅里叶变换（FFT）等频域分析技术，提取出频率域的特征。
3. 小波变换：小波变换可将信号分解到不同长度尺度上，以及分解出信号中的不同频率成分，从而提取出更加细节的特征信息。
基于神经网络的人体姿态识别与运动分析技术人体姿态识别与运动分析技术是计算机视觉领域中的重要研究方向。
随着神经网络技术的发展和人工智能的兴起，基于神经网络的人体姿态识别与运动分析技术逐渐成为研究的热点。
本文将围绕该技术展开讨论，探讨其应用领域、技术原理以及发展前景。
首先，让我们来了解一下人体姿态识别与运动分析技术的基本概念。
人体姿态识别是指通过对人体关节点的识别和跟踪，实现对人体姿态的模型化和运动分析。
人体姿态可以包括身体各个部位的位置、角度、方向等信息。
运动分析则是基于人体姿态的时间序列数据，通过分析人体在时间维度上的变化来理解人体的运动模式、行为以及运动意图等。
在人体姿态识别与运动分析技术的应用领域中，最具代表性的莫过于运动捕捉和动作识别。
运动捕捉是指通过各种传感器或者摄像机等设备，实时采集和记录人体的运动数据，并将其转化为计算机可理解的数字模型。
这种技术被广泛应用于电影、游戏开发等领域，以在虚拟环境中实现真实感的人体运动。
动作识别则是指基于神经网络等技术的人体动作分类和识别，可以用于智能监控、健身辅助等领域，以提供更加智能化和便捷的应用体验。
接下来，让我们了解一下基于神经网络的人体姿态识别与运动分析技术的核心原理。
神经网络是一种模仿人脑神经元网络的计算模型，通过大量的训练数据和反向传播算法，可以学习到从输入到输出的映射关系。
在人体姿态识别与运动分析中，通过神经网络模型对输入的图像或者视频数据进行特征提取和分类，实现对人体姿态和动作的识别。
基于神经网络的人体姿态识别与运动分析技术主要包括以下几个步骤。
首先，需要对输入的图像或者视频进行预处理，如图像增强、背景去除、目标分割等，以减少噪声的干扰。
接着，利用深度学习中的卷积神经网络（CNN）对预处理后的数据进行特征提取。
CNN可以通过多个卷积层和池化层，提取出图像或者视频中的局部和全局特征。
然后，将提取到的特征输入到全连接神经网络（FCN）中进行分类或者回归等任务。
物联网技术 2021年 / 第12期400 引 言随着微电子机械系统（MEMS ）、机器学习等技术的快速发展，同时人们对健康状况的关注和对更高生活品质的追求，使得基于惯性传感器的人体活动识别成为当下热门的研究课题。
基于惯性传感器的人体活动识别技术在辅助老年人生活、医疗保健、体育运动和人机交互等方面[1]发挥着重要作用。
用于人体活动数据采集的惯性传感器主要由加速度计、陀螺仪和磁力计等构成，能够准确采集人体活动时产生的加速度信号、角速度信号和磁场[2]。
传感器器件的发展促使惯性传感器朝着小体积、低成本、低功耗、高灵敏度的方向不断进步，使其被集成在智能手环、智能手机和可穿戴设备上成为可能，相信在未来，其在人体活动识别领域的应用也将越来越广泛。
人体活动识别中常见的机器学习算法模型有决策树、朴素贝叶斯、人工神经网络、支持向量机、K 最近邻和隐马尔科夫模型等[3]。
文献[4]提出了一种基于多传感器的分布式人体定位方法，该多传感器系统采用决策树分类器（DT ）、均值和方差特征，整体识别准确率达96.4%。
文献[5]提出了一种基于朴素贝叶斯分类器（NB ）的早期手势识别方法，实验结果表明，所提出的新方法优于许多专门为早期手势识别而设计的更复杂的方法。
文献[6]建立了支持向量机（SVM ）分类模型，用于体操动作的识别，该模型对6种体操动作的平均识别率超97%。
文献[7]采用K 最近邻分类器（KNN ）进行人体活动识别，采用粒子群优化算法（PSO-KNN ）搜索KNN 分类器中k 参数的最优值。
实验结果表明，优化后的算法提高了对人体动作的识别精度。
本文提出了基于BP 神经网络的人体活动识别方法，并在公开的DaLiAc （DailyLife Activities, DaLiAc ）数据集上验证了我们所提分类模型用于人体活动识别的有效性。
1 人体活动识别模型1.1 BP 神经网络模型多层网络的学习能力较单层感知器增强很多，但要训练多层网络，则需要更强大的学习算法。
基于PSO-BP神经网络的人体穴位定位系统设计
杨向萍;吴玉丹
【期刊名称】《电子技术应用》
【年(卷),期】2018(044)009
【摘要】穴位的位置是否找准会直接影响治疗效果,因此设计了一种基于粒子群算法优化神经网络(PSO-BP)的穴位相对坐标预测模型,然后与ARM结合构成一个可以用于人体穴位定位的系统.首先采用PC进行MATLAB仿真训练学习,然后将最优权值及阈值保存下来并简化算法嵌入ARM内,将在线预测转变为离线过程.实验结果表明:经粒子群优化过的BP神经网络有效地改善了局部极值缺陷,可应用于定位端预测穴位的位置,并在LCD中显示穴位相关信息,控制端收到位置数据后可执行电机上的运动操作.
【总页数】4页(P75-78)
【作者】杨向萍;吴玉丹
【作者单位】东华大学机械工程学院,上海201600;东华大学机械工程学院,上海201600
【正文语种】中文
【中图分类】TN4
【相关文献】
1.基于图形处理的人体内异物定位测量系统设计 [J], 康秀娟;施展
2.基于PSO-BP神经网络的无线传感器网络定位算法 [J], 闫驰
3.基于PSO-BP神经网络的煤矿井下自适应定位算法 [J], 崔丽珍;许凡非;王巧利;高丽丽
4.基于梯度下降和滑动窗口混合算法的人体穴位定位研究 [J], 付阳阳; 高志宇
5.基于视觉定位的按摩机器人穴位跟踪系统设计与研究 [J], 党丽峰;罗天瑞;施琴因版权原因，仅展示原文概要，查看原文内容请购买。
基于BP神经网络的人脸识别方法研究人脸识别技术越来越成熟，应用于安全、通信、人机交互等领域。
其中，基于BP神经网络的人脸识别方法因其高效性和准确性备受关注。
本文将从人脸识别原理、BP神经网络、基于BP神经网络的人脸识别方法和未来发展趋势四个方面展开探讨。
一、人脸识别原理人脸识别技术依赖于数字图像处理和模式识别技术。
其识别流程包括图像获取、预处理、特征提取、特征匹配和判决等五个步骤。
其中，特征提取为核心环节，而特征提取方法的选择直接决定了识别性能的高低。
二、BP神经网络BP神经网络是一种常见的人工神经网络，其主要特点是具有自适应、非线性、容错性和并行性等优点。
BP神经网络的训练过程包括正向传播和反向传播两个过程，其核心思想是通过改变神经元之间权重和偏置值来调整网络结构，并优化网络性能。
三、基于BP神经网络的人脸识别方法基于BP神经网络的人脸识别方法主要分为以下几个步骤。
1.数据预处理：通过灰度化、能量归一化、直方图均衡化等方法对原始人脸数据进行预处理，提高图像质量和减少数据冗余。
2.特征提取：选择LBP、PCA、纹理特征等特征提取算法，对经过预处理的人脸数据进行特征提取，得到高维特征向量。
3.特征选择：通过评估方法（如ReliefF）筛选出对分类决策具有关键作用的特征，并进行降维处理。
4.模型训练：通过BP神经网络对人脸数据进行学习和训练，形成分类模型。
5.模型测试：利用测试数据对模型进行测试，得到分类结果。
四、未来发展趋势随着人脸识别技术的不断发展，基于BP神经网络的人脸识别方法也将迎来新的发展趋势。
1.深度学习技术的应用：深度学习技术是当前人工智能领域的热点，其与BP神经网络的结合有望进一步提高人脸识别的效果。
2.大数据的支持：随着数据量的增大，基于BP神经网络的人脸识别方法将能够更好地学习和训练模型，从而进一步提高识别性能。
3.应用领域的拓展：随着智能安防、人机交互等领域的不断发展，基于BP神经网络的人脸识别技术也将得到更广泛的应用。
基于机器学习的人体步态识别技术研究一、引言人体步态是人类独特的身体特征之一，也是识别个体身份的关键指标。
传统的人体步态识别方法主要是利用人类视觉进行识别，但随着机器学习技术的发展与应用，基于机器学习的人体步态识别技术得到了广泛应用。
本文将探讨基于机器学习的人体步态识别技术的研究。
二、人体步态识别的重要性人体步态是每个人独一无二的生物特征。
基于人体步态识别技术，可以进行身份认证、犯罪侦查、人员监控等方面的应用。
在安全保障、犯罪侦查、医疗健康等领域都有着广泛的应用前景。
三、机器学习在人体步态识别中的应用传统的人体步态识别方法主要基于人类视觉进行识别，但随着机器学习技术的发展，越来越多的研究者开始将机器学习技术应用于人体步态识别中。
机器学习在人体步态识别中的应用主要分为两类：监督学习和无监督学习。
1. 监督学习基于监督学习的人体步态识别技术需要大量的标注数据作为训练样本，一般可分为两种方式进行。
（1）基于图像的监督学习将依次获取的人体图像序列作为输入，使用图像处理技术对图像进行预处理，如时域差值、局部区域分割等，然后利用特征提取方法从中提取出人体步态特征，利用监督学习算法进行训练，如支持向量机、神经网络等。
通过利用样本训练出的分类器，对新的人体步态图像进行分类，即可进行人体步态识别。
（2）基于传感器的监督学习传感器是获取人体运动信息的主要手段之一，如加速度计、陀螺仪等，传感器检测的数据被称为生物特征信息。
基于传感器的监督学习方法通过收集人体运动相关的参数，比如步幅、步速等，作为输入特征。
然后结合人体步态序列的切割方式，使用机器学习算法进行分类，实现人体步态的识别。
2. 无监督学习基于无监督学习的人体步态识别技术不需要进行手动标注数据，主要针对数据数量较大但标注样本数量较少的场景。
（1）基于聚类的无监督学习聚类是一种无监督学习方法，可以将相似的数据归为一类，基于聚类的无监督学习方法可以对大量的人体步态数据进行分类，提供一种无监督的分类思路。
MPSO算法优化BP网络的数字调制识别方法史先铭;刘以安【期刊名称】《计算机工程与应用》【年(卷),期】2016(052)017【摘要】数字调制信号的识别方法有很多，其识别效果不尽相同。
为了提高数字调制信号在不同信噪比（Signal-to-Noise Ratio，SNR）下的识别性能，提出了一种基于改进粒子群（Modified Particle Swarm Optimization，MPSO）算法优化BP网络的识别方法。
针对七种常见的数字调制信号，提取了六个瞬时特征参数，其中Rσa参数是改进得到的，同理类推得到Rσp。
为了在保持基本粒子群（Particle Swarm Optimization，PSO）算法优点的基础上进一步提高算法的性能，增加了对粒子邻域信息的参考，再用MPSO算法优化BP网络的权值和阈值。
从仿真实验可以看出，应用此方法，七种信号的识别率都可以达到86％以上，从而证明了该方法能有效地提高数字调制信号的识别性能。
%Currently, many recognition methods of digital modulation signals occur, which have different recognition effects. In order to improve recognition performance of the signals under different Signal-to-Noise Ratio(SNR), a method based on Modified Particle Swarm Optimization(MPSO)algorithm optimizing BPis proposed. Six instantaneous feature parameters are extracted, among which the Rσa is an improvement and the Rσp is an analogy of the Rσa . The neighbor information of particles are referred to modify Particle Swarm Optimization(PSO)algorithm optimizing the weights and thresholds of BP. Simulation result shows that the method has a remarkableperformance because the probability to recognize seven kinds of signals is over 86%.【总页数】7页(P133-139)【作者】史先铭;刘以安【作者单位】江南大学物联网工程学院，江苏无锡 214122;江南大学物联网工程学院，江苏无锡 214122【正文语种】中文【中图分类】TP391【相关文献】1.一种改进粒子群算法优化BP神经网络实现核素识别方法 [J], 刘议聪;朱泓光;宋永强2.基于BP神经网络的数字调制识别方法 [J], 余嘉;陈印3.基于MPSO-BP神经网络的PSD误差补偿 [J], 王福杰;俞恒杰;陆辉山4.改进F-score特征选择的MPSO-BP神经网络短期负荷预测 [J], 丁坚勇;朱炳翔;田世明;卜凡鹏;陈俊艺;朱天瞳5.一种BP-IA数字调制方式识别方法 [J], 杨洁; 惠雨晨因版权原因，仅展示原文概要，查看原文内容请购买。
基于MPSO-BP神经网络方法的人体步态识别孙楠;骆敏舟;王玉成;赵汉宾【摘要】为提高人体下肢步态相位识别准确率以实现外骨骼机器人控制,采用一种改进的粒子群优化MPSO-BP神经网络方法识别不同运动模式下的人体步态相位.通过自适应调整学习因子构造MPSO-BP神经网络分类器,以多种传感信息组成的特征向量样本集训练神经网络分类器,用于识别人体下肢在平地行走、上楼梯和起坐三种典型运动模式下的步态相位.实验结果表明,MPSO-BP神经网络分类器能有效识别三种不同运动模式的步态相位,识别准确率均达到96％以上,识别性能优于传统的BP神经网络模型和粒子群优化神经网络模型.%To improve the accuracy rate of human gait phase recognition for controlling the exoskeleton robot, an approach based on Modified Particle Swarm Optimization algorithm-Back Propagation(MPSO-BP)neural network is utilized to divide three types of gait into different phases. Firstly, the MPSO-BP neural network classifier is constructed through regulating the learning factor adaptively, and then the classifier is trained using sample set containing multi-sensor information. Secondly, test the classifier on gait phase recognition in three types of human gait including walk, upstairs and sit-down. The experimental results show that the MPSO-BP neural network classifier can successfully increase the accuracy rate up to averaged 96％above, which is superior to the BP neural network and the particle swarm optimization BP neural network methods.【期刊名称】《计算机工程与应用》【年(卷),期】2017(053)021【总页数】5页(P121-125)【关键词】步态识别;步态相位;神经网络;粒子群算法【作者】孙楠;骆敏舟;王玉成;赵汉宾【作者单位】常州大学机械工程学院,江苏常州 213164;中国科学院合肥物质科学研究院先进制造技术研究所,江苏常州 213164;中国科学院合肥物质科学研究院先进制造技术研究所,江苏常州 213164;中国科学院合肥物质科学研究院先进制造技术研究所,江苏常州 213164;中国科学院合肥物质科学研究院先进制造技术研究所,江苏常州 213164【正文语种】中文【中图分类】TP242.步态相位识别是实现人体运动意图识别进而实现外骨骼机器人控制的关键技术之一[1]。
目前国内外运动意图识别方法主要是基于视频图像分析或多传感器信息融合分析，多采用隐马尔科夫、神经网络等模式识别方法识别步态相位。
基于视频图像的步态识别方法主要是通过拍摄受试者行走图像，抽取图像中人体运动特征信息，进而识别步态类型[2]。
基于多传感器信息融合的方法是通过直接测量受试者肢体特定部位的运动数据，如足底压力信号、关节角度信号等[3]，利用模式识别技术划分步态相位。
2005年，Kawamoto[4]研究小组通过安装在足底的空气压力开关、大腿前侧的肌电传感器和膝关节、髋关节的角度传感器采集信号，利用阈值法判断各步态相位，取得较好效果。
但是所采用的肌电传感器由于直接粘贴在皮肤上，存在固定、穿戴不易和易受人体出汗影响等问题。
2009年，Bae[5]等人通过在鞋底安装四个力传感器来检测受试者行走时的脚底压力数据，采用模糊逻辑方法判断各步态相位区间，但识别精度不高。
2012年，Rossi[6]等人采用隐马尔科夫（HMM）模型根据足底压力信号识别人体行走步态相位。
该方法基于经典统计学，当训练样本数目越大时其识别准确率越高，然而在实际应用中，训练样本的数量往往是有限的，从而限制了HMM方法识别准确率的提高空间。
BP（Back Propagation）神经网络模型在步态相位识别领域也获得较多应用[1，7-8]，但是BP算法存在收敛速度慢、容易陷入局部极小和泛化能力差的缺点[7-8]。
为提高BP算法的收敛速度并解决局部极小问题，马玉良[7]等采用遗传算法优化BP神经网络用于识别下肢5个步态，有效提高了识别精度。
刘磊[8]等提出一种基于多源信息和粒子群优化-误差反向传播（PSO-BP）算法用于改善神经网络训练的收敛速度问题，该方法对下肢不同步态的识别率为95.75%，识别准确率仍有提高的空间。
针对目前有限样本空间中步态相位识别率依然不足的问题，本文采用改进的粒子群算法（Modified Particle Swarm Optimization，MPSO）优化后的人工神经网络模型识别三类常见运动模式的步态相位。
MPSO算法是一种有效的全局寻优算法，能够克服BP神经网络的缺点，与传统的进化算法相比操作简单，避免了复杂的遗传操作[9-13]。
实验中通过设计三层BP神经网络模型，以MPSO算法在多源传感数据样本集上确定模型连接权值和阈值，之后将训练好的MPSO-BP神经网络用于正常行走、上楼梯和起坐三类运动模式的步态相位识别，最后在测试集上对MPSO算法的收敛速度和识别准确率进行了分析，并同现有方法做了比较。
粒子群（PSO）是一种有效的全局寻优算法，与传统的进化算法相比，PSO采用速度-位移模型，结构简单，避免了复杂的遗传操作[11]。
该算法通过个体间的协作与竞争，实现复杂空间的最优解搜索。
假设在D维空间，有m个粒子组成一个群落，每个粒子所处的位置为xi=(xi1,xi2,…,xiD)，速度为νi=(νi1,νi2,…,νiD)。
粒子通过不断调整自己的位置来搜索新解，每个粒子都能记住自己搜索到的最优解pbest和整个粒子群到目前为止经历过的最优解gbest，然后按公式（1）和公式（2）来更新：式中，i=1,2,…,m，d=1,2,…,D，ω为惯性因子，体现的是粒子当前速度多大程度上继承先前的速度。
c1和c2为学习因子，ε表示[0，1]之间的随机数。
由于PSO 中粒子都向最佳位置聚集，会形成粒子种群的快速趋同效应，容易陷入局部最优和过早收敛现象[11-12]。
式中，ωmax和ωmin分别表示初始和最终惯性权重，iter和itermax表示当前迭代次数和最大迭代次数。
学习因子的大小决定了粒子自我认知和社会认知对粒子的影响，为了防止陷入局部最优，可以通过动态地改变c1和c2来保持粒子始终具有多样性。
优化后的算法在初期使粒子具有大的自我认识（大的c1）和小的社会认知（小的c2），便于快速搜索；在算法后期，应有小的自我认知（小的c1）和大的社会认知（大的c2），加快算法收敛和在全局范围内寻找最优解。
对此有如下改进：为了克服上述不足，通过分析惯性权重和学习因子对粒子群算法性能的影响，分别对二者做出改进。
研究发现ω较大时利于全局搜索，ω较小时利于局部搜索，故采取线性递减惯性权重：其中，cst和cend分别为c1的初始值和最终值。
MPSO算法根据神经网络的拓扑结构确定粒子维数，粒子群中每个粒子的维度分量都对应神经网络中的连接权值或阈值。
以输出误差作为神经网络训练的适应度函数，误差越小表示粒子在搜索中具有更好的性能。
最终算法停止时，适应度最高的粒子成为问题的最优解。
具体实现流程如图1所示。
式中，m,n,l分别为隐含层、输入层、输出层神经元数目，常数α取值范围为1～10。
设置神经网络训练最大迭代次数为1 000，误差目标为10-5。
粒子群维数即BP神经网络初始权值与阈值之和为50；设置粒子种群数目为40；粒子群迭代次数为 200；ωmax=0.95,ωmin=0.25 ；c1=3,c2=1。
本文设计三层神经网络，输入端神经元为8个，输出端为1个，隐含层神经元个数根据经验公式（6）以及实际测试结果确定神经元个数为5。
足底与地面的接触力变化是描述和识别下肢运动状态的重要信息[14]，实验中选用Flexiforce系列A401薄膜压阻型传感器，能承受的最大峰值压力范围为15.5kg/cm2，厚度仅为0.208 mm，可以反复弯曲，线性误差小于±3%。
压力传感器在足底的安装位置如图2所示。
髋关节和膝关节处安装了磁旋转编码器（AS5045）来进行关节角度测量，如图3所示。
受试者穿上该信号采集系统适应一段时间后，分别在不同运动模式下重复采集数据。
在平地行走实验中，为了保证每组实验都以相同速度进行，受试者在跑步机上按设定速度值3 km/h行走。
上楼和起坐实验中受试者尽量保持每次都以正常速度完成实验。
本实验主要研究正常平地行走、上楼梯和起坐动作的步态相位识别。
对MPSO-BP 神经网络进行训练，以平地行走为例，从10名实验对象（6名男生，4名女生）采集的100组有效实验数据中随机取40组作为训练样本，60组为测试样本。
相对于人体的上肢运动，下肢运动更具有重复性和规律性。
从两个腿的运动分析来看，自然行走时一个完整的步态周期可以划分为两个阶段：单足支撑相和双足支撑相。
行走是一个左右交替的过程，遂将行走划分为四个相位Phase1～4，分别为：右单腿支撑、左双腿支撑、左单腿支撑和右双腿支撑。
根据以上相位划分标准，以足底前三个传感器测量值之和表示足底前部在行走过程中的压力变化，以足跟压力传感器测量值表示足跟在行走过程中的压力变化，与髋关节和膝关节角度值共同组成8维特征向量，应用MPSO-BP神经网络模型识别步态相位，识别结果的一组实例如图4所示。
将上楼梯分为4个不同的状态分别为：Phase1，抬左脚向上跨步；Phase2，双脚支撑且重心转到左脚；Phase3，抬右脚向上跨步；Phase4，双脚支撑，重心移到右脚。
应用MPSO-BP神经网络模型以髋、膝关节和足底地面接触力变化曲线为特征向量实现对上楼梯步态的相位划分，如图5所示。
因为在上楼梯过程中习惯于足底整体落地，所以放置于足底的压力传感器变化曲线先后顺序不明显，故将单足脚底四个传感器压力之和作为足底压力在上楼梯过程中变化规律的测量值。
