目的:針對(duì)老人易跌倒和跌倒過(guò)后可能產(chǎn)生嚴(yán)重后果這一現(xiàn)實(shí)問(wèn)題,通過(guò)將表面肌電信號(hào)和加速度融合,進(jìn)一步優(yōu)化采用支持向量機(jī)分類(lèi)器下的包含跌倒在內(nèi)的幾種不同動(dòng)作的分類(lèi)效果。方法:提出基于表面肌電和加速度信號(hào)融合的跌倒識(shí)別算法,首先采集股直肌,股內(nèi)側(cè)肌,脛骨前肌和腓腸肌的表面肌電信號(hào)以及位于腰部的三軸加速度信號(hào)作為實(shí)驗(yàn)數(shù)據(jù),然后利用滑動(dòng)窗口法提取表面肌電和加速度信號(hào)的均方根值,最后針對(duì)人體日常活動(dòng)和跌倒的運(yùn)動(dòng)特征,構(gòu)建了支持向量機(jī)的分類(lèi)器。結(jié)果:實(shí)驗(yàn)數(shù)據(jù)共計(jì)320組數(shù)據(jù),包括3種日�；顒�(dòng)和向前跌倒,其中160組數(shù)據(jù)作為訓(xùn)練集,另外160組數(shù)據(jù)作為測(cè)試集。對(duì)4種動(dòng)作進(jìn)行識(shí)別實(shí)驗(yàn),算法的準(zhǔn)確度為93.23%、靈敏度為92.4%、特異度為100%,達(dá)到了良好的分類(lèi)效果。結(jié)論:基于支持向量機(jī)的表面肌電信號(hào)和加速度融合的跌倒識(shí)別算法分類(lèi)效果良好,對(duì)于老人跌倒防護(hù)具有現(xiàn)實(shí)意義。

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

圖2股直肌和股內(nèi)側(cè)肌4種動(dòng)作的表面肌電信號(hào)

對(duì)每個(gè)滑動(dòng)窗口所包含的采樣點(diǎn)進(jìn)行多種時(shí)域特征的提取[22]，包括算術(shù)平均數(shù)、標(biāo)準(zhǔn)差、方差、最大值、均方根值和過(guò)零點(diǎn)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(hào)的關(guān)鍵信息點(diǎn)，并且計(jì)算速度較快，因此選擇均方根值進(jìn)行特征提取。圖3腓腸肌和脛骨前肌4種動(dòng)作的表面肌電信號(hào)

圖3腓腸肌和脛骨前肌4種動(dòng)作的表面肌電信號(hào)

圖2股直肌和股內(nèi)側(cè)肌4種動(dòng)作的表面肌電信號(hào)圖4滑動(dòng)窗口示意圖

圖4滑動(dòng)窗口示意圖

圖3腓腸肌和脛骨前肌4種動(dòng)作的表面肌電信號(hào)計(jì)算每個(gè)滑動(dòng)窗口所包含的采樣點(diǎn)的均方根值，計(jì)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(xiàn)性及高維模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢(shì)[17]。SVM的基本思想是最優(yōu)分類(lèi)超平面的構(gòu)造，對(duì)于二分類(lèi)問(wèn)題[18-20]，如圖1所示：正方形和圓形代表兩類(lèi)樣本，三角形代表支持向量的樣本點(diǎn)，H3為最優(yōu)超平面，H1,H2之間的距離叫做分類(lèi)間隔，H1....

本文編號(hào)：3970183