[发明专利]基于WKFDA的肌电信号跌倒检测方法

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。

主权项

基于加权核函数线性判别分析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信号进行特征提取，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模糊熵特征X1,X2,...XN，其中N1个属于跌倒类别ω1，记为N2个属于日常活动动作ω2，记为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＝1时表示跌倒，i＝2时，表示日常活动动作：Ki=<φ(Xj)·Xk(ωi)>=k(Xj,Xk(ωi)),j=1,2,...,N;k=1,2,...,Ni]]>选取式高斯径向基函数为核函数：k(X,Y)=exp{|X-Y|22σ2}]]>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ωi类核矩阵Ki的列向量的均值向量为有m‾Ki=Σj=1NimKi]]>按照如下公式定义权重qi为：q1=m‾K12mK1(j)-m‾K1,j=1,2,...,N1]]>q2=mK2(j)-m‾K2m‾K22,j=1,2,...,N2]]>若求得的权重为核矩阵表示长度为N的列向量，对核矩阵Ki作加权处理：K′i＝aijkij，i＝1,2；j＝1,2,...,Ni3)计算总的核类内离散度矩阵：H=Σi=1,2Ki′(I-Li)Ki′T]]>其中，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；4)求解使公式取得最大值的最佳投影方向α*，即为最佳投影向量：α*＝H‑1(M1‑M2)其中，M＝(M1‑M2)(M1‑M2)T，Mi=(1Ni)Σk=1Nik(Xj,Xk(ωi)),i=1,2;j=1,2,...,N]]>在特征空间中，φ(X)在α*上的投影变换为：y=(α*)T·φ(X)=Σj=1Nαjk(Xj,X)]]>式中α*＝[α1，α2...αj...αN]；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跌倒和日常活动两类训练样本新特征空间φ(Xo)、φ(Xp)在最佳投影方向α*上的投影o＝1,2,…..,N1；p＝1,2….,N2；6)由式计算未知待测样本X'新特征空间φ(X')在最佳投影方向α*上的投影y′；7)依据Fisher判别法的决策规则对投影y′进行分类。