基于支持向量机的表面肌电信号和加速度融合跌倒识别方法

发布时间：2024-05-11 17:25

　　目的:针对老人易跌倒和跌倒过后可能产生严重后果这一现实问题,通过将表面肌电信号和加速度融合,进一步优化采用支持向量机分类器下的包含跌倒在内的几种不同动作的分类效果。方法:提出基于表面肌电和加速度信号融合的跌倒识别算法,首先采集股直肌,股内侧肌,胫骨前肌和腓肠肌的表面肌电信号以及位于腰部的三轴加速度信号作为实验数据,然后利用滑动窗口法提取表面肌电和加速度信号的均方根值,最后针对人体日常活动和跌倒的运动特征,构建了支持向量机的分类器。结果:实验数据共计320组数据,包括3种日常活动和向前跌倒,其中160组数据作为训练集,另外160组数据作为测试集。对4种动作进行识别实验,算法的准确度为93.23%、灵敏度为92.4%、特异度为100%,达到了良好的分类效果。结论:基于支持向量机的表面肌电信号和加速度融合的跌倒识别算法分类效果良好,对于老人跌倒防护具有现实意义。

【文章页数】：6 页

【部分图文】：

图2股直肌和股内侧肌4种动作的表面肌电信号

对每个滑动窗口所包含的采样点进行多种时域特征的提取[22]，包括算术平均数、标准差、方差、最大值、均方根值和过零点数，综合分析比较后发现，均方根值能更好的保留原始信号的关键信息点，并且计算速度较快，因此选择均方根值进行特征提取。图3腓肠肌和胫骨前肌4种动作的表面肌电信号

图3腓肠肌和胫骨前肌4种动作的表面肌电信号

图2股直肌和股内侧肌4种动作的表面肌电信号图4滑动窗口示意图

图4滑动窗口示意图

图3腓肠肌和胫骨前肌4种动作的表面肌电信号计算每个滑动窗口所包含的采样点的均方根值，计算公式如下：

图1样本集的最优超平面

SVM算法：SVM算法在解决小样本、非线性及高维模式识别中表现出许多特有的优势[17]。SVM的基本思想是最优分类超平面的构造，对于二分类问题[18-20]，如图1所示：正方形和圆形代表两类样本，三角形代表支持向量的样本点，H3为最优超平面，H1,H2之间的距离叫做分类间隔，H1....

本文编号：3970183