基于JAB-SVM的肌肉疲劳分类研究

发布时间：2020-04-08 08:40

【摘要】：现阶段,社会的经济水平显著提升,人们的健康意识也在不断加强中。肌肉系统,是人体器官的一个重要组成部分,为每一项生命运动都提供了动力,但是当肌肉在持续不间断的工作后,它的工作能力就会明显下降,肌肉就产生了疲劳,既影响人体的正常活动,也易导致肌肉损伤。因此,肌肉疲劳的缓解与治疗是一个值得重视的问题,肌肉疲劳状态的识别和检测是本文研究的关键,对运动学和医学研究有着重要的意义。肌肉疲劳是一个动态的连续的过程,它的状态主要分为两种:疲劳阶段和非疲劳阶段,对于肌肉疲劳的识别和分类方法研究的也有很多。本文主要提出使用混合的刀切法和自助法(Jackknife-After-Bootstrap,JAB)在支持向量机(Support Vector Machine,SVM)模型中对肌肉疲劳特征信息进行分类研究,叙述了肌肉疲劳数据的特征提取和数据处理过程,还对刀切法、自助法、JAB与SVM等相关知识进行详细的阐述,并且对比了JAB-SVM和SVM模型在肌肉疲劳分类中的效果。实验结果表明,将JAB方法的引入在SVM分类模型中,不仅明显提高肌肉疲劳分类模型的精确度,还提升了分类模型的稳定性,证实了JAB方法的可行性和优越性。
【图文】：

分离超平面,超平面

图 3-1 多个分离超平面图 3-2 支持向量与间隔图 3-1 呈现的是两种正负类别的样本数据被多个不同的超平面进行划分。图 3-2出来的就是需要寻求的最优超平面，找到既能正确划分正类和负类，又能使支持距离最远的超平面，即间隔最大化。线性可分支持向量机：通过以上两张图，可以初步了解 SVM 二类分类模型，出最优的超平面，也即是求出超平面的未知参数 w, b。首先从最简单的线性的支持向量机进行阐述，其他两种类型从这个基础上进行改动即可。一般而言，据样本空间里，超平面方程的定义如下：0.Tw x b （3.7）这里超平面的参数 1 2; ; ;dw w w w是一个方法向量，代表了它的方向；参数 b个位移量，代表了原点和它的距离。因此，求解超平面的最终目标就是求出法向数w、位移参数 ,这两个参数确定了我们的超平面，不妨记作 w, b 。根据学过

曲线,数据集,肌肉疲劳,疲劳状态

华中科技大学硕士学位论文小的值。F1_score = 2×P×R/ P+R。AUC：定义为 ROC 曲线下的面积，，其面积越大，分类效果越好，AUC 的值 1.0 之间。肌肉疲劳分类的 SVM 和 JAB-SVM 的实验分析本节对采集到的肌肉疲劳特征数据进行实证分析，数据是关于肌肉疲劳的数据，数据样本容量是 260 个，6 个特征维度，数据的目标变量是肌肉的疲分为两种情况：疲劳状态用数字 1 代表，非疲劳状态是数字-1 代表即类别指数据如图 4-1 所示。
【学位授予单位】：华中科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：C815;R87

【相似文献】