基于wkfda的肌电信号跌倒检测方法
【专利摘要】本发明涉及一种基于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。
【专利说明】基于WKFDA的肌电信号跌倒检测方法
【技术领域】
[0001]本发明属于模式识别领域，涉及一种基于肌电信号的模式识别方法，特别涉及一种跌倒肌电信号的模式识别方法。
【背景技术】
[0002]跌倒是老年人群体中的高发性和高危害性的事故。据估计，在65岁以上的老年人中，每年有1/3都会经历跌倒。跌倒给个人，家庭乃至社会带来巨大的经济负担，已成为全社会关注的健康问题。因此，国内外许多机构已经开始跌倒检测与防护的研究。
[0003]肌电信号(Electromyography, EMG)是一种由肌肉活动引发的生物电信号，它包含了丰富的肌肉活动的信息。由于表面肌电信号(Surface Electromyography, sEMG)的采集具有拾取方便，无创伤等特点，许多研究利用EMG信号中蕴含的动作模式信息已经成功识别了下肢的动作状态。Tong Mu等对人在奔跑，行走和站立时的股二头肌，股直肌，股内侧肌和腓肠肌的表面肌电信号采用AR参数模型估计，再利用最小二乘法支持向量机对动作进行分类，获得了 83.33%的识别率。Zhang F等针对一半以上的下肢截肢者为老年人，更容易发生跌倒受到严重挫伤的情况，研究了一种有源假肢来检测预防跌倒。设计实验采集跌倒发生时的下肢截肢者伤残肢上大腿的肌电信号，足底加速度，膝关节的角加速度，以及垂直地面反作用力这几项指标。研究结果表明，足底加速度能够在跌倒发生之前最快做出响应，结合肌电信号进行跌倒检测可以大大提高灵敏度和降低误报警率。Pijnappels M等为了深入研究跌倒发生时支撑腿上的肌肉对维持身体平衡的作用，设计实验观察受试者在行走中遇到障碍发生跌倒时的肌肉响应情况，实验结果表明支撑腿上的肌肉能够在跌倒发生后的65ms内作出反应，小腿三头肌和后腱肌的肌电信号的会产生明显的抑制跌倒的响应。目前，国内外采用肌电信号进行的跌倒识别的研究较少，存在很大的研究空间。
【发明内容】
[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):l < i SN}，模糊熵的定义如下:
[0009]I)构建m维向量:
【权利要求】
1.基于WKFDA的肌电信号跌倒检测方法，其特征在于该方法包括如下步骤: 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; 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； 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； 所述的加权核Fisher线性判别分析方法分类器具体设计如下: 设有两类d维空间中的肌电信号训练样本Xl，X2,...xN，其中N1个属于跌倒类别O1,N2个属于非跌倒类别COyN = NJN25Cj5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,...XJ投影到特征空间F，新的向量集合描述为{ Φ (X1)，Φ (X2)，...Φ (Xn) }； 1)首先，引入核函数k(Xj,Xk),计算第i类的核矩阵Ki, i = I时表示跌倒，i = 2时，表示日常活动动作，:
选取式高斯径向基函数为核函数:
2)对核矩阵Ki增加如下权重适当增大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； 记Qi类核矩阵&的列向量的均值向量为m 肓
按照如下公式定义权重为:
若求得的权重为仏=[a,.1，an，~aw,]，核矩阵牟=?,.2，...，^]，ki表示长度为N的列向量,对核矩阵Ki作加权处理:
K' i = aijkij, i = I, 2 ； j = I, 2,..., Ni 3)计算总的核类内离散度矩阵:
其中，I是一个Ni XNi维的单位矩阵；Li是一个Ni X Ni维矩阵，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:
在特征空间中，Φ (X)在W上的投影变换为:
5)把跌倒和日常活动动作ADL两类训练样本模糊熵特征
代入
得到两类训练样本新特征空间Φ⑴在最佳投影方向α上的投影ν 6)由式
算未知待测样本X新特征空间Φ⑴在最佳 投影方向α上的投影
7)依据Fisher判别法的决策规则对投影y进行分类。
【文档编号】A61B5/0488GK104127181SQ201410350607
【公开日】2014年11月5日 申请日期:2014年7月22日 优先权日:2014年7月22日
【发明者】席旭刚, 左静, 李成凯, 罗志增 申请人:杭州电子科技大学