基于wkfda的肌電信號(hào)跌倒檢測(cè)方法
【專利摘要】本發(fā)明涉及一種基于WKFDA的肌電信號(hào)跌倒檢測(cè)方法。首先,從人體下肢的相關(guān)肌肉組上采集表面肌電信號(hào),運(yùn)用能量閾值確定表面肌電信號(hào)的動(dòng)作信號(hào)段,對(duì)動(dòng)作信號(hào)段的表面肌電信號(hào)提取模糊熵作為待分類的特征。然后將特征樣本點(diǎn)投影到特征空間,在特征空間中進(jìn)行線性判別。這樣就可以隱含的實(shí)現(xiàn)了原輸入空間的非線性判別。并采用相應(yīng)的平衡權(quán)重來(lái)調(diào)節(jié)樣本核矩陣的貢獻(xiàn),可克服不平衡數(shù)據(jù)對(duì)分類性能的影響。由于采用了非線性映射,基于核的Fisher線性判別算法的數(shù)據(jù)處理能力大大提升了。實(shí)驗(yàn)結(jié)果表明,該方法獲得了較高的跌倒模式平均識(shí)別率,識(shí)別結(jié)果優(yōu)于其它分類方法。
【專利說明】基于WKFDA的肌電信號(hào)跌倒檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于模式識(shí)別領(lǐng)域,涉及一種基于肌電信號(hào)的模式識(shí)別方法,特別涉及一種跌倒肌電信號(hào)的模式識(shí)別方法。
【背景技術(shù)】
[0002]跌倒是老年人群體中的高發(fā)性和高危害性的事故。據(jù)估計(jì),在65歲以上的老年人中,每年有1/3都會(huì)經(jīng)歷跌倒。跌倒給個(gè)人,家庭乃至社會(huì)帶來(lái)巨大的經(jīng)濟(jì)負(fù)擔(dān),已成為全社會(huì)關(guān)注的健康問題。因此,國(guó)內(nèi)外許多機(jī)構(gòu)已經(jīng)開始跌倒檢測(cè)與防護(hù)的研究。
[0003]肌電信號(hào)(Electromyography, EMG)是一種由肌肉活動(dòng)引發(fā)的生物電信號(hào),它包含了豐富的肌肉活動(dòng)的信息。由于表面肌電信號(hào)(Surface Electromyography, sEMG)的采集具有拾取方便,無(wú)創(chuàng)傷等特點(diǎn),許多研究利用EMG信號(hào)中蘊(yùn)含的動(dòng)作模式信息已經(jīng)成功識(shí)別了下肢的動(dòng)作狀態(tài)。Tong Mu等對(duì)人在奔跑,行走和站立時(shí)的股二頭肌,股直肌,股內(nèi)側(cè)肌和腓腸肌的表面肌電信號(hào)采用AR參數(shù)模型估計(jì),再利用最小二乘法支持向量機(jī)對(duì)動(dòng)作進(jìn)行分類,獲得了 83.33%的識(shí)別率。Zhang F等針對(duì)一半以上的下肢截肢者為老年人,更容易發(fā)生跌倒受到嚴(yán)重挫傷的情況,研究了一種有源假肢來(lái)檢測(cè)預(yù)防跌倒。設(shè)計(jì)實(shí)驗(yàn)采集跌倒發(fā)生時(shí)的下肢截肢者傷殘肢上大腿的肌電信號(hào),足底加速度,膝關(guān)節(jié)的角加速度,以及垂直地面反作用力這幾項(xiàng)指標(biāo)。研究結(jié)果表明,足底加速度能夠在跌倒發(fā)生之前最快做出響應(yīng),結(jié)合肌電信號(hào)進(jìn)行跌倒檢測(cè)可以大大提高靈敏度和降低誤報(bào)警率。Pijnappels M等為了深入研究跌倒發(fā)生時(shí)支撐腿上的肌肉對(duì)維持身體平衡的作用,設(shè)計(jì)實(shí)驗(yàn)觀察受試者在行走中遇到障礙發(fā)生跌倒時(shí)的肌肉響應(yīng)情況,實(shí)驗(yàn)結(jié)果表明支撐腿上的肌肉能夠在跌倒發(fā)生后的65ms內(nèi)作出反應(yīng),小腿三頭肌和后腱肌的肌電信號(hào)的會(huì)產(chǎn)生明顯的抑制跌倒的響應(yīng)。目前,國(guó)內(nèi)外采用肌電信號(hào)進(jìn)行的跌倒識(shí)別的研究較少,存在很大的研究空間。
【發(fā)明內(nèi)容】
[0004]肌電信號(hào)是一種能夠有效反應(yīng)人體下肢動(dòng)作模式的生物電信號(hào),在跌倒檢測(cè)中,由于日常生活動(dòng)作(Activities of Daily Living, ADL)的數(shù)據(jù)個(gè)數(shù)遠(yuǎn)遠(yuǎn)多于跌倒,采用一般的分類方法達(dá)不到理想效果,本發(fā)明設(shè)計(jì)一種改進(jìn)的基于核的Fisher線性判別算法(Weighted Kernel Fisher linear discriminant analysis, WKFDA)的肌電信號(hào)跌倒檢測(cè)方法。首先,從人體下肢的相關(guān)肌肉組上采集表面肌電信號(hào),運(yùn)用能量閾值確定表面肌電信號(hào)的動(dòng)作信號(hào)段,對(duì)動(dòng)作信號(hào)段的表面肌電信號(hào)提取模糊熵作為待分類的特征。然后將特征樣本點(diǎn)投影到特征空間,在特征空間中進(jìn)行線性判別。這樣就可以隱含的實(shí)現(xiàn)了原輸入空間的非線性判別。并采用相應(yīng)的平衡權(quán)重來(lái)調(diào)節(jié)樣本核矩陣的貢獻(xiàn),可克服不平衡數(shù)據(jù)對(duì)分類性能的影響。由于采用了非線性映射,基于核的Fisher線性判別算法的數(shù)據(jù)處理能力大大提升了。實(shí)驗(yàn)結(jié)果表明,該方法獲得了較高的跌倒模式平均識(shí)別率,識(shí)別結(jié)果優(yōu)于其它分類方法。
[0005]為了實(shí)現(xiàn)以上目的,本發(fā)明方法主要包括以下步驟:
[0006]步驟(1).獲取人體下肢肌電信號(hào)的樣本數(shù)據(jù),具體是:首先通過肌電信號(hào)采集儀采集人體下肢相關(guān)肌肉的肌電信號(hào),并運(yùn)用能量閾值法確定動(dòng)作開始點(diǎn),獲得肌電信號(hào)的動(dòng)作信號(hào)。
[0007]步驟(2).將步驟(1)獲取的肌電信號(hào)的動(dòng)作段進(jìn)行特征提取,求出其模糊熵。
[0008]2007年,Chen W等提出并定義了模糊熵,它是對(duì)序列復(fù)雜度的一種度量,可以定量的對(duì)時(shí)間序列的規(guī)律性進(jìn)行評(píng)估。對(duì)于一個(gè)N點(diǎn)的時(shí)間序列{u(i):l < i SN},模糊熵的定義如下:
[0009]I)構(gòu)建m維向量:
【權(quán)利要求】
1.基于WKFDA的肌電信號(hào)跌倒檢測(cè)方法,其特征在于該方法包括如下步驟: 步驟(1).獲取人體下肢肌電信號(hào)的樣本數(shù)據(jù),具體是:首先通過肌電信號(hào)采集儀采集人體下肢相關(guān)肌肉的肌電信號(hào),并運(yùn)用能量閾值法確定動(dòng)作開始點(diǎn),獲得肌電信號(hào)的動(dòng)作信號(hào); 步驟(2).將步驟(1)獲取的肌電信號(hào)的動(dòng)作段進(jìn)行特征提取,求出其模糊熵; 步驟(3).以步驟(2)所求得的模糊熵作為特征向量輸入加權(quán)核Fisher線性判別分析方法分類器進(jìn)行模式分類,獲得跌倒與日?;顒?dòng)動(dòng)作ADL的分類識(shí)別結(jié)果; 所述的加權(quán)核Fisher線性判別分析方法分類器具體設(shè)計(jì)如下: 設(shè)有兩類d維空間中的肌電信號(hào)訓(xùn)練樣本Xl,X2,...xN,其中N1個(gè)屬于跌倒類別O1,N2個(gè)屬于非跌倒類別COyN = NJN25Cj5為輸入空間到特征空間F的非線性映射,Φ:X — F ;將輸入空間的向量集合(X1, X2,...XJ投影到特征空間F,新的向量集合描述為{ Φ (X1),Φ (X2),...Φ (Xn) }; 1)首先,引入核函數(shù)k(Xj,Xk),計(jì)算第i類的核矩陣Ki, i = I時(shí)表示跌倒,i = 2時(shí),表示日?;顒?dòng)動(dòng)作,:
選取式高斯徑向基函數(shù)為核函數(shù):
2)對(duì)核矩陣Ki增加如下權(quán)重適當(dāng)增大K1,減小K2,來(lái)解決數(shù)據(jù)集不平衡的問題,達(dá)到優(yōu)化分類效果的目的; 記Qi類核矩陣&的列向量的均值向量為m 肓
按照如下公式定義權(quán)重為:
若求得的權(quán)重為仏=[a,.1,an,~aw,],核矩陣牟=?,.2,...,^],ki表示長(zhǎng)度為N的列向量,對(duì)核矩陣Ki作加權(quán)處理:
K' i = aijkij, i = I, 2 ; j = I, 2,..., Ni 3)計(jì)算總的核類內(nèi)離散度矩陣:
其中,I是一個(gè)Ni XNi維的單位矩陣;Li是一個(gè)Ni X Ni維矩陣,它所有的元素都是1/Ni ;4)求解使公式
取得最大值的最佳向量α:
在特征空間中,Φ (X)在W上的投影變換為:
5)把跌倒和日?;顒?dòng)動(dòng)作ADL兩類訓(xùn)練樣本模糊熵特征
代入
得到兩類訓(xùn)練樣本新特征空間Φ⑴在最佳投影方向α上的投影ν 6)由式
算未知待測(cè)樣本X新特征空間Φ⑴在最佳 投影方向α上的投影
7)依據(jù)Fisher判別法的決策規(guī)則對(duì)投影y進(jìn)行分類。
【文檔編號(hào)】A61B5/0488GK104127181SQ201410350607
【公開日】2014年11月5日 申請(qǐng)日期:2014年7月22日 優(yōu)先權(quán)日:2014年7月22日
【發(fā)明者】席旭剛, 左靜, 李成凱, 羅志增 申請(qǐng)人:杭州電子科技大學(xué)