基于表面肌电信号与加速度信号的跌倒检测研究

发布时间：2017-07-15 21:31

  本文关键词：基于表面肌电信号与加速度信号的跌倒检测研究

  更多相关文章： 跌倒检测 肌电信号 加速度信号 特征提取 信息融合 模式识别

【摘要】：近年来,随着我国老年人口的快速度增长,跌倒对老年人造成的损害越来越得到社会的关注和重视,寻找一种快速、稳定,可投入实际应用的跌倒辨识方法成为了老年人跌倒研究的一个重要方向,这不仅能提高老年人生活质量,并对构建和谐社会起到促进作用。本文采用下肢表面肌电信号(surface electromyography,sEMG)与躯体的三轴加速度信号相结合作为跌倒检测的信号源,可以用来表征人体动态动作和行为随时间变化产生的速度、生物电和空间运动轨迹的信息,从而实现实时监测老年人姿态情况和跌倒发生与否,在发生跌倒时及时发出报警以便救助,降低跌倒给老年人造成的伤害。本文所做工作如下:(1)简单介绍目前国内外的研究现状,并提出本文基于sEMG和加速度信号的跌倒检测方法。(2)探讨肌电信号的降噪方法。由于肌电信号本身特性,采集过程中极易加入噪声,本文根据肌电信号特点提出了一种新的基于EMD自相关的降噪方法。(3)研究sEMG和加速度信号特征提取方法。验证了排列组合熵作为sEMG特征提取方法的有效性,并通过小波包排列组合熵进一步改善特征分类。(4)研究用于跌倒检测时人体活动时躯体加速度信号的两种特征提取方法:信号幅度向量(SMV)和信号幅度域(SMA),根据人体活动规律,研究了人在日常生活中的躯体加速度变化特点,最后通过实验验证了两种信号特征熵分类的有效性。(5)针对支持向量机中惩罚参数c和核函数参数g难以选择最优的问题,提出采用交叉验证的粒子群算法优化c和g,并与网格搜索和遗传算法的参数寻优进行对比,提高了支持向量机的分类性能。(6)提出两种新的跌倒识别方法。一种是通过多传感器信号特征向量特征层的信息融合后,输入SVM进行跌倒识别。另一种是进一步探究在多姿态识别情况下跌倒检测,即基于D-S证据理论的多分类SVM跌倒识别方法,该方法极大的提高了姿态动作的识别率,也提高了在姿态识别情况下跌倒检测的识别率。
【关键词】：跌倒检测 肌电信号 加速度信号 特征提取 信息融合 模式识别
【学位授予单位】：杭州电子科技大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：R318;TN911.7
【目录】：

• 摘要5-6
• ABSTRACT6-11
• 第1章 绪论11-18
• 1.1 课题研究背景及意义11
• 1.2 国内外跌倒识别研究现状11-14
• 1.3 肌电信号研究14-16
• 1.3.1 肌电信号特征提取方法14-15
• 1.3.2 模式分类方法综述15-16
• 1.4 加速度跌倒研究简介16-17
• 1.5 本文的内容与结构17
• 1.6 本章小结17-18
• 第2章 肌电信号与加速度信号的采集18-26
• 2.1 肌电信号的产生机理及特性18-19
• 2.2 肌电信号的获取19-20
• 2.2.1 下肢典型肌肉的位置19
• 2.2.2 下肢典型肌肉的选择19-20
• 2.3 下肢表面肌电信号的采集20-23
• 2.3.1 下肢表面肌电信号获取系统20
• 2.3.2 sEMG信号采集方案20-21
• 2.3.3 sEMG信号采集结果21-23
• 2.4 加速度信号的采集23-25
• 2.5 本章小结25-26
• 第3章 表面肌电信号的降噪方法研究26-33
• 3.1 基于EMD的sEMG降噪方法26-29
• 3.1.1 经验模态分解26-27
• 3.1.2 EMD自相关消噪原理27-28
• 3.1.3 基于噪声统计特性的EMD自相关消噪方法28-29
• 3.2 实验分析29-31
• 3.2.1 基于EMD自相关降噪效果分析29-31
• 3.2.2 基于噪声统计特性的EMD消噪方法31
• 3.3 本章小结31-33
• 第4章 肌电信号和加速度信号特征提取研究33-44
• 4.1 基于熵的肌电信号特征提取方法原理33-36
• 4.1.1 模糊熵原理33-34
• 4.1.2 近似熵原理34
• 4.1.3 排列组合熵原理34-35
• 4.1.4 小波包排列组合熵原理35-36
• 4.2 加速度信号的特征提取原理36
• 4.3 肌电信号和加速度信号特征提取分析36-43
• 4.3.1 实验过程36-37
• 4.3.2 表面肌电信号特征分析37-41
• 4.3.3 加速度信号特征分析41-43
• 4.4 本章小结43-44
• 第5章 基于肌电与加速度信号的跌倒识别44-58
• 5.1 支持向量机44-48
• 5.1.1 支持向量机基本原理44-46
• 5.1.2 参数寻优方法46-48
• 5.2 信息融合方法48-51
• 5.2.1 信息融合方式48-49
• 5.2.2 基于SVM与D-S证据推理的信息融合方法49-51
• 5.3 实验分析51-57
• 5.3.1 实验过程51
• 5.3.2 分类性能的评价准则51
• 5.3.3 基于肌电信号的SVM参数优化算法的跌倒检测51-53
• 5.3.4 基于肌电与加速度信号融合的跌倒检测53-57
• 5.4 本章小结57-58
• 第6章 总结与展望58-60
• 6.1 工作总结58-59
• 6.2 研究展望59-60
• 致谢60-61
• 参考文献61-67
• 附录67

【相似文献】

中国期刊全文数据库 前3条

1 谢永;刘盼;蔡国平;;基于加速度信号的柔性板的挠性参数辨识[J];力学学报;2014年01期

2 陆凡东;方向;郭涛;陈勇;;EMD与SLS法在爆破振动加速度信号时域积分中的应用[J];振动与冲击;2012年09期

3 ;[J];;年期

中国重要会议论文全文数据库 前2条

1 吴峰崎;孟光;;转子故障加速度信号的全谱分析[A];第十二届全国信号处理学术年会（CCSP-2005）论文集[C];2005年

2 张荣;王松;牛宝良;;加速度信号重建的几种仿真方法比较[A];第十九届测控、计量、仪器仪表学术年会(MCMI'2009)论文集[C];2009年

中国硕士学位论文全文数据库 前6条

1 刘赐民;无线动态心电传感终端设计[D];南京邮电大学;2015年

2 贺延芳;城市轨道交通钢轨病害检测与识别研究[D];北京交通大学;2016年

3 武昊;基于表面肌电信号与加速度信号的跌倒检测研究[D];杭州电子科技大学;2016年

4 刘燕;基于加速度信号的步态模式分类系统的研究[D];山西大学;2009年

5 王聪;线性振动台控制系统加速度信号处理与摩擦问题研究[D];哈尔滨工业大学;2010年

6 王晓波;基于步态加速度信号的身份认证方法研究[D];山西大学;2011年

，

本文编号：545878