目的:針對老人易跌倒和跌倒過后可能產生嚴重后果這一現(xiàn)實問題,通過將表面肌電信號和加速度融合,進一步優(yōu)化采用支持向量機分類器下的包含跌倒在內的幾種不同動作的分類效果。方法:提出基于表面肌電和加速度信號融合的跌倒識別算法,首先采集股直肌,股內側肌,脛骨前肌和腓腸肌的表面肌電信號以及位于腰部的三軸加速度信號作為實驗數(shù)據(jù),然后利用滑動窗口法提取表面肌電和加速度信號的均方根值,最后針對人體日�；顒雍偷沟倪\動特征,構建了支持向量機的分類器。結果:實驗數(shù)據(jù)共計320組數(shù)據(jù),包括3種日�；顒雍拖蚯暗�,其中160組數(shù)據(jù)作為訓練集,另外160組數(shù)據(jù)作為測試集。對4種動作進行識別實驗,算法的準確度為93.23%、靈敏度為92.4%、特異度為100%,達到了良好的分類效果。結論:基于支持向量機的表面肌電信號和加速度融合的跌倒識別算法分類效果良好,對于老人跌倒防護具有現(xiàn)實意義。

【文章頁數(shù)】：6 頁

【部分圖文】：

圖2股直肌和股內側肌4種動作的表面肌電信號

對每個滑動窗口所包含的采樣點進行多種時域特征的提取[22]，包括算術平均數(shù)、標準差、方差、最大值、均方根值和過零點數(shù)，綜合分析比較后發(fā)現(xiàn)，均方根值能更好的保留原始信號的關鍵信息點，并且計算速度較快，因此選擇均方根值進行特征提取。圖3腓腸肌和脛骨前肌4種動作的表面肌電信號

圖3腓腸肌和脛骨前肌4種動作的表面肌電信號

圖2股直肌和股內側肌4種動作的表面肌電信號圖4滑動窗口示意圖

圖4滑動窗口示意圖

圖3腓腸肌和脛骨前肌4種動作的表面肌電信號計算每個滑動窗口所包含的采樣點的均方根值，計算公式如下：

圖1樣本集的最優(yōu)超平面

SVM算法：SVM算法在解決小樣本、非線性及高維模式識別中表現(xiàn)出許多特有的優(yōu)勢[17]。SVM的基本思想是最優(yōu)分類超平面的構造，對于二分類問題[18-20]，如圖1所示：正方形和圓形代表兩類樣本，三角形代表支持向量的樣本點，H3為最優(yōu)超平面，H1,H2之間的距離叫做分類間隔，H1....

本文編號：3970183