基于多元多尺度模糊熵的人体步态信号分类

发布时间：2017-07-25 15:17

  本文关键词：基于多元多尺度模糊熵的人体步态信号分类

  更多相关文章： 加速度信号 步态分类 多元多尺度模糊熵 传统多元多尺度样本熵

【摘要】：人体步态蕴含着大量能够反映自身健康状况、精神状态的有用信息,对人体步态信号的分析、研究一直以来都是众多学者普遍关注的热点。加速度作为反映步态信息的一个重要方面,也同样包含了能够反映出人体精神状态、运动状态的丰富信息。本文对人体步态加速度数据进行研究,分析正常、异常以及不同行为步态之间存在的本质差异,可为异常步态的检测以及康复治疗提供重要依据。在研究国内外人体步态加速度数据的常用分析方法之后,本文以嵌入式STM32f103单片机系统为核心,MPU9150为传感器,将四元数旋转矩阵算法嵌入到主控芯片中,实现了对人体步态加速度数据的矫正;并利用该系统对各实验对象在不同种条件下的步态加速度数据进行了采集,为人体步态分析提供了可靠的数据来源。重点介绍了多元多尺度熵算法的发展过程,针对传统多元多尺度熵算法中存在的缺点,本文提出一种多元多尺度模糊熵算法。该算法采用滑动滤波的方式对传统粗粒化过程进行了改进,使各尺度上粗粒化后的时间序列长度与原始数据长度保持一致,减小了过程中产生的随机误差;同时,本文算法在保持传统方法硬阈值优点的基础上,通过定义模糊隶属度函数来统计两复合延迟向量距离略大于阈值的情况,既降低了传统方法对阈值的依赖性,也很好的解决了传统阈值所导致的不稳定现象。并通过仿真实验证明了本文算法的有效性。本文将多元多尺度模糊熵、传统多元多尺度样本熵分别应用于对采集人体步态加速度和国外公开数据库中不同行为步态加速度数据的特征提取与分类,结果表明本文算法明显优于传统方法;通过对国外公开步态数据库中正常行走、上楼、下楼步态进行分类,获得的最高识别率达到了96.5%;与国际上针对该数据集获得的识别率相比,进一步体现出本文算法的优越性。最后,文中利用EMD算法与多元多尺度模糊熵结合对麻省理工学院数据库中帕金森步态、年轻人、老年人步态进行了特征提取与分析,最终结果充分证明了本文算法能够有效的提取人体步态特征,同时具有很好的统计特征和分类精度。
【关键词】：加速度信号 步态分类 多元多尺度模糊熵 传统多元多尺度样本熵
【学位授予单位】：燕山大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TN911.6;R318
【目录】：

• 摘要5-6
• ABSTRACT6-10
• 第1章 绪论10-16
• 1.1 研究背景10-11
• 1.2 国内外研究现状11-13
• 1.3 设计思想13-14
• 1.4 论文结构及研究内容14-16
• 第2章 人体步态加速度采集与数据预处理16-29
• 2.1 人体步态模型建立16-17
• 2.2 传感器介绍17-20
• 2.2.1 性能参数18-20
• 2.3 数据采集和存储模块20
• 2.4 传感器校准20-22
• 2.5 四元数旋转矩阵算法22-24
• 2.5.1 欧拉角到四元数的转换23-24
• 2.6 四元数旋转矩阵的迭代更新24-27
• 2.7 数据采集实验27-28
• 2.7.1 实验目的27
• 2.7.2 实验方法27-28
• 2.8 本章小结28-29
• 第3章 多元多尺度模糊熵算法29-42
• 3.1 EMD算法原理29-31
• 3.2 样本熵31-32
• 3.3 多尺度样本熵32-33
• 3.4 传统多元多尺度熵33-35
• 3.5 多元多尺度模糊熵35-37
• 3.5.1 改进粗粒化35-36
• 3.5.2 多元模糊熵算法36-37
• 3.6 数据仿真实验37-41
• 3.7 本章小结41-42
• 第4章 基于多元多尺度模糊熵的步态加速度分类42-52
• 4.1 数据处理与分析42-44
• 4.2 算法验证44-51
• 4.2.1 人体步态信号多元多尺度模糊熵提取45-49
• 4.2.2 人体步态信号分类49-51
• 4.3 本章小结51-52
• 第5章 实验结果与分析52-64
• 5.1 帕金森步态信号多元多尺度模糊熵分析52-56
• 5.1.1 数据介绍52-53
• 5.1.2 帕金森步态数据处理53-56
• 5.2 不同行为步态的多元多尺度模糊熵的分析56-63
• 5.2.1 人体步态加速度数据介绍56-57
• 5.2.2 步态加速度信号分类57-63
• 5.3 本章小结63-64
• 结论64-66
• 参考文献66-70
• 攻读硕士学位期间承担的科研任务与主要成果70-71
• 致谢71

【相似文献】

中国期刊全文数据库 前5条

1 邹晓阳;雷敏;;基于多尺度模糊熵的动作表面肌电信号模式识别[J];生物医学工程学杂志;2012年06期

2 龚桂芳;冯成德;张慧;朱艳芳;;一种基于自适应最小模糊熵的CT图像分割方法[J];生物医学工程学杂志;2008年02期

3 刘建成;董晓倩;陈亚珠;;基于广义模糊熵模式分类器的HRV信号识别[J];中国生物医学工程学报;2005年03期

4 赵冰心;胡维平;;基于熵和支持向量机的病态嗓音识别[J];中国生物医学工程学报;2013年05期

5 ;[J];;年期

中国重要会议论文全文数据库 前6条

1 齐思刚;;基于模糊熵的模糊数运算[A];模糊集理论与模糊应用专辑——中国系统工程学会模糊数学与模糊系统委员会第十届年会论文选集[C];2000年

2 胡应平;;运用模糊熵构建协调模型[A];模糊集理论与应用——98年中国模糊数学与模糊系统委员会第九届年会论文选集[C];1998年

3 魏华;王志强;张运杰;;基于模糊熵的备择边缘细化方法[A];全面建设小康社会：中国科技工作者的历史责任——中国科协2003年学术年会论文集（上）[C];2003年

4 吴川;朱明;杨冬;;基于最大模糊熵原则的低对比度图像阈值选取法[A];第十一届全国信号处理学术年会（CCSP-2003）论文集[C];2003年

5 李筠;祝勇;;误差分布类型的模糊熵判别方法[A];第七届青年学术会议论文集[C];2005年

6 何春;陆俊;;基于模糊熵方向特征的图像边缘检测方法[A];图像图形技术研究与应用(2010)[C];2010年

中国硕士学位论文全文数据库 前10条

1 郑宗琳;基于高速列车走行部监测数据的EEMD特征分析[D];西南交通大学;2015年

2 董国新;基于ELMD多尺度模糊熵和概率神经网络的暂态电能质量识别[D];燕山大学;2016年

3 顿士君;基于脑电多尺度非线性分析的睡眠分期研究[D];燕山大学;2016年

4 王旭尧;基于多元多尺度模糊熵的人体步态信号分类[D];燕山大学;2016年

5 张翔;基于模糊熵方法的云服务选择研究与实现[D];内蒙古大学;2016年

6 赵凤;基于模糊熵理论的若干图象分割方法研究[D];西安邮电学院;2007年

7 吴学谦;互模糊熵的改进及其在心衰检测中的应用[D];山东大学;2014年

8 张丽波;基于三角模糊熵的信息安全风险评估研究[D];黑龙江大学;2013年

9 李世航;基于模糊熵的贷款组合决策模型[D];山东师范大学;2014年

10 白礼虎;基于模糊互补判断矩阵和直觉模糊熵的决策研究[D];安徽大学;2013年

，

本文编号：571948