[0004] 肌电信号是一种能够有效反应人体下肢动作模式的生物电信号,在跌倒检测中,由于日常生活动作(Activities of Daily Living,ADL)的数据个数远远多于跌倒,采用一般的分类方法达不到理想效果,本发明设计一种改进的基于核的Fisher线性判别算法(Weighted Kernel Fisher linear discriminant analysis,WKFDA)的肌电信号跌倒检测方法。首先,从人体下肢的相关肌肉组上采集表面肌电信号,运用能量阈值确定表面肌电信号的动作信号段,对动作信号段的表面肌电信号提取模糊熵作为待分类的特征。然后将特征样本点投影到特征空间,在特征空间中进行线性判别。这样就可以隐含的实现了原输入空间的非线性判别。并采用相应的平衡权重来调节样本核矩阵的贡献,可克服不平衡数据对分类性能的影响。由于采用了非线性映射,基于核的Fisher线性判别算法的数据处理能力大大提升了。实验结果表明,该方法获得了较高的跌倒模式平均识别率,识别结果优于其它分类方法。
[0005] 为了实现以上目的,本发明方法主要包括以下步骤:
[0006] 步骤(1).获取人体下肢肌电信号的样本数据,具体是:首先通过肌电信号采集仪采集人体下肢相关肌肉的肌电信号,并运用能量阈值法确定动作开始点,获得肌电信号的动作信号。
[0007] 步骤(2).将步骤(1)获取的肌电信号的动作段进行特征提取,求出其模糊熵。
[0008] 2007年,Chen W等提出并定义了模糊熵,它是对序列复杂度的一种度量,可以定量的对时间序列的规律性进行评估。对于一个N点的时间序列{u(i):1≤i≤N},模糊熵的定义如下:
[0009] 1)构建m维向量:
[0010]
[0011] 其中,
[0012] 2) 与 之间的距离定义如下:
[0013]
[0014] 公式(2)中,i,j=1,...,N-m,i≠j.
[0015] 3)由模糊隶属度函数u(x,r)可推导出 与 的形似度:
[0016]
[0017] 其中r为指数函数的宽度。
[0018] 4)对于 可以定义平均相似度均值如下:
[0019]
[0020] 5)类似的,对原序列重构一组m+1维矢量 重复步骤1)-4),得到φm+1(N,m+1,r)。
[0021] 综上,模糊熵可以定义如下:
[0022]
[0023] 对于有限的长度为N的时间序列,由模糊熵的定义可得其估计值:
[0024] FuzzyEn(m,r,N)=lnφm-lnφm+1 (6)
[0025] m表示维数,r为阈值。
[0026] 步骤(3).以步骤(2)所求得的模糊熵作为特征向量输入加权核Fisher线性判别分析方法(WKFDA)分类器进行模式分类,获得跌倒与日常活动动作ADL的分类识别结果。
[0027] 在跌倒检测的实验中,日常生活动作(Activities of Daily Living,ADL)的数据个数远远多于跌倒,采用一般的分类方法达不到理想效果,针对跌倒检测这种面向不平衡数据的分类,本发明设计一种加权核Fisher线性判别分析方法(WKFDA)。WKFDA采用相应的平衡权重来调节样本类核矩阵的贡献,可克服不平衡数据对分类性能的影响。
[0028] 本发明设计的WKFDA方法如下:
[0029] 设有两类(跌倒与非跌倒动作)d维空间中的训练样本x1,x2,...xN其中N1个属于类别ω1,N2个属于类别ω2,N=N1+N2。φ为输入空间到特征空间F的非线性映射,φ:X→F。将输入空间的向量集合{X1,X2,...XN}投影到特征空间F,新的向量集合可以描述为{φ(X1),φ(X2),...φ(XN)}。这样,就可以在新的特征空间中运用fisher线性判别算法。
[0030] 1)首先,引入核函数k(Xj,Xk),计算第i类的核矩阵Ki(N×Ni维):
[0031]
[0032] 选取式高斯径向基函数(RBF)为核函数:
[0033]
[0034] 2)当ω1,ω2类数目相差较大时(N1<N2),K2对H的贡献远远大于K1,从而导致该方法运用于不平衡数据集时得到的分类结果不理想。本发明对核矩阵Ki(i=1,2)增加如下权重可以适当增大K1,减小K2,来解决数据集不平衡的问题,达到优化分类效果的目的。
[0035] Step1:记ωi类核矩阵Ki的列向量的均值向量为 有
[0036]
[0037] Step2:按照如下公式定义权重qi(i=1,2)为:
[0038]
[0039]
[0040] 若求得的权重为 核矩阵 ki表示长度为N的列向量,i=1,2。对核矩阵Ki作加权处理:
[0041] K′i=aijkij(i=1,2;j=1,2,...,Ni) (12)
[0042] 3)计算总的核类内离散度矩阵:
[0043]
[0044] 其中,ωi代表样本类别,I是一个Ni×Ni维的单位矩阵。Li是一个Ni×Ni维矩阵,它所有的元素都是1/Ni。
[0045] 4)根据基于核的fisher线性判别的判别函数定义:
[0046]
[0047] 其中,M=(M1-M2)(M1-M2)T,
[0048]
[0049] 求解使公式(14)取得最大值的最佳向量α:
[0050] α=H-1(M1-M2) (15)
[0051] 在特征空间中,φ(X)在W上的投影变换为:
[0052]
[0053] 5)把跌倒和日常活动动作ADL两类训练样本代入式16得到两类训练样本新特征空间φ(X)在最佳投影方向α上的投影
[0054] 6)由式(16)计算未知待测样本X新特征空间φ(X)在最佳投影方向α上的投影y。
[0055] 7)依据fisher判别法的决策规则对投影y进行分类。
[0056] 本发明设计的WKFDA方法利用基于核的fisher将样本点投影到特征空间F,然后在F空间中进行fisher线性判别。这样就可以隐含的实现了原输入空间的非线性判别。由于采用了非线性映射,算法的数据处理能力大大提升了。
[0057] 本发明设计的基于肌电信号的跌倒检测方法,具有如下有益效果:
[0058] 基于在跌倒和行走、蹲下和坐下时的sEMG的波形复杂度的差异,提取模糊熵特征进行跌倒检测,再利用WKFDA进行模式分类,并成功将跌倒与ADL区分开来,获得了较高的识别率。
[0059] 模糊熵是一种针对非线性时间序列的分析方法。sEMG是一种非线性,非平稳的生物电信号,采用皮肤表面的电极采集时较容易受到干扰。当采样数据中存在轻微波动或基线漂移时,根据模糊熵定义中的均值操作可以去除基线漂移的影响。所以用模糊熵来估sEMG是一种具备良好的抗噪抗干扰能力的稳健估计。
[0060] 针对ADL类的数目远远多于跌倒类导致的数据集不平衡的问题,采用WKFDA对特征进行识别分类,通过实验证明其分类结果优于传统的欧式距离、k-近邻法、支持向量机和FDA方法。针对不同的样本两类动作的平均识别率均达到了95%以上,为跌倒辨识提供了一种新的研究思路。