本文選題：表面肌電信號 + 核主成分分析��； 參考：《機(jī)器人》2017年05期

【摘要】：針對人體步態(tài)識別率低的問題,提出了一種將核主成分分析(KPCA)和相關(guān)向量機(jī)(RVM)相結(jié)合的步態(tài)識別方法.首先,選擇表面肌電信號(s EMG)作為步態(tài)識別信息源,提取表面肌電信號的小波包能量特征.然后,采用核主成分分析方法降維特征值去除冗余的信息,得到能反映步態(tài)特征的特征值.最后,利用相關(guān)向量機(jī)對步態(tài)特征向量進(jìn)行分類,識別平地行走、上樓、下樓、上坡、下坡5種步態(tài).通過分析不同受試者步態(tài)識別結(jié)果,驗證了該方法的可行性和實用性,并和BP(反向傳播)神經(jīng)網(wǎng)絡(luò)、SVM(支持向量機(jī))等方法比較,結(jié)果表明該方法分類時間為2.6609×10~(-4)s,識別正確率為96.67%,是一種有效的步態(tài)識別方法.
[Abstract]:To solve the problem of low gait recognition rate, a gait recognition method combining kernel principal component analysis (KPCA) and correlation vector machine (RVM) is proposed. Firstly, the surface EMG signal (s EMG) is selected as the gait recognition information source to extract the wavelet packet energy features of the surface EMG signal. Then the kernel principal component analysis (KPCA) method is used to reduce the dimensionality eigenvalues to remove redundant information and to obtain the eigenvalues which can reflect the gait features. Finally, the gait feature vectors are classified by correlation vector machine, and five gaits are identified, such as walking on flat ground, going upstairs, going downstairs, going up and down slope. The feasibility and practicability of this method are verified by analyzing the gait recognition results of different subjects, and compared with BP (back propagation) neural network and SVM (support vector machine). The results show that the classification time is 2.6609 脳 10 ~ (-4) s and the recognition accuracy is 96.67. This method is an effective gait recognition method.
【作者單位】： 鄭州輕工業(yè)學(xué)院建筑環(huán)境工程學(xué)院;河北工業(yè)大學(xué)控制科學(xué)與工程學(xué)院;智能康復(fù)裝置與檢測技術(shù)教育部工程研究中心;
【基金】：國家自然科學(xué)基金(61203323) 河南省高等學(xué)校重點科研項目(16B413006) 河北省自然科學(xué)基金(F2015202150,F2017202119) 河南省科技廳重點科研項目(162300410070)
【分類號】：TN911.7

【相似文獻(xiàn)】

相關(guān)期刊論文 前7條

1 于紅蕓;姜濤;關(guān)鍵;;SAR圖像的快速核主成分分析識別方法[J];中國圖象圖形學(xué)報;2012年01期

2 張靜;王國宏;楊智勇;;基于局部特征核主成分分析的SAR圖像識別方法[J];宇航學(xué)報;2008年03期

3 李翊;張靜;吳凌華;楊迎化;;一種基于改進(jìn)核主成分分析的SAR圖像識別方法研究[J];海軍航空工程學(xué)院學(xué)報;2009年03期

4 何云玲;劉琳;;基于核主成分分析的EMD去噪算法[J];數(shù)字技術(shù)與應(yīng)用;2014年01期

5 段西發(fā);田錚;齊培艷;張朝陽;;SAR圖像中目標(biāo)配準(zhǔn)的穩(wěn)健加權(quán)核主成分分析方法[J];光電子.激光;2013年08期

6 魏坤;趙永強(qiáng);高仕博;潘泉;張洪才;;基于混合概率核主成分二次相關(guān)紅外目標(biāo)檢測[J];光子學(xué)報;2008年09期

7 王利琴;董永峰;顧軍華;董維超;;基于改進(jìn)極限學(xué)習(xí)機(jī)的心律失常分類[J];計算機(jī)仿真;2014年06期

，

本文編號：2085621