文摘
瀑布老年人构成一个主要卫生问题。日常活动监视和秋季使用可穿戴传感器检测为老年人提供一个重要的医疗系统或虚弱的个体。我们日常活动的分类精度和秋季调查数据基于表面肌电图(表)和足底压力信号。面肌和足底压力信号采集和特征提取。选择合适的特征,结合姿态过渡,步态,并使用费舍尔类可分性指数下降。级的融合方法,命名为权重的全球典范相关分析遗传算法,提出了减少维度。的问题在日常活动的数量大大超过的数量秋季活动,加权内核Fisher线性判别分析(WKFDA)提出了分类步态和下降。双内核参数优化基于极端学习机(DPK-OMELM)被用来分类活动。结果表明姿态过渡的分类精度为100%,和步态的准确性和使用WKFDA分类可以达到98%。对于所有类型的姿态过渡、步态和秋天,灵敏度、特异性和准确性超过96%。
1。介绍
需要帮助的老年人的数量在日常活动迅速增加是由于人口老龄化(1- - - - - -3]。随着老年人的生理功能开始下降,老年人的平衡功能变得更糟的是,更有可能导致事故的发生。在发生事故的情况下,如果无法立即发现并救出一位上了年纪的,那么可能发生严重的后果。因此,研究日常活动监视和检测是至关重要的减少健康和财政负担下降(4]。此外,日常活动识别有利于康复工程(5]。
传感器用于监测活动包括计算机视觉、环境和可穿戴传感器(6]。计算机的方法需要建立设备与多视图摄像机,必须在室内使用7- - - - - -9]。这些设备的使用是受很多因素限制,如照明条件下,安装位置和角度,并阻塞。此外,这些设备被认为是侵入用户的隐私(10]。环境传感器包括红外传感器、门联系人、雷达、和麦克风(11]。虽然这种方法可以有效地获得有关日常活动的信息,展品固定应用场景的缺点,不稳定的性能,和繁琐的安装12,13]。相比之下,可穿戴传感器的优点是携带方便,有丰富了解内容,提供可控的侵犯隐私14]。
可穿戴传感器包括加速度传感器、陀螺仪和生物传感器。加速度传感器可以收集信息关于加速度和角加速度和重力加速度之间的关系。姿态和过渡活动可以通过设置一个阈值很容易被认出来。然而,不同的活动包括在姿势活动不能区分(15]。陀螺仪传感器被广泛用于监测日常活动;他们通过三轴和地磁三角检测活动。然而,角速度陀螺仪可以生成错误由于漂移引起的干扰力矩(16]。
表面肌电图(表)提供的信息不同的肌肉群的运动在各种活动(17]。相对于惯性传感器、加速度传感器和陀螺仪等生物传感器可以准确反映人体的运动。这些信息可以被成功地应用在手势识别、步态分析、和假肢控制(18,19]。系统由年轻et al。20.)表用于分类走路,上行坡道,爬楼梯,报道提高识别精度。程等。21)提出了一个框架,用于活动监视使用加速度计和面肌,取得了超过98%的识别精度。
脚的足底压力分布提供了详细信息运动。是很重要的在人类步态分析和广泛应用领域的识别、运动跟踪、和运动识别(22]。陈等人。23捏造一个压力鞋垫,包括foot-wearable接口和四个电阻值电阻器(FSR)压力传感器。离散信号被用来识别接触力分布的运动模式。王等人。24)使用density-based空间与噪音和k - means聚类的应用程序,以确定位置的足底压力图像,然后提取足底压力特征参数来区分正常人和病人,显示出显著的差异。
不同的特征向量提取各种活动总是反映出不同特点的活动。然而,不同特性的工作分类不同。如果所有的特征用于分类活动,那么将增加的尺寸特性。消除冗余特性在一定程度上通过选择和结合优越的特性25]。在当前的研究中,我们提出了类可分性指数费舍尔函数来选择和组合特征的姿态过渡,步态,秋季活动。
特性一直是一个重要的方法进行数据融合模式识别领域的特性。这种方法指的是当地的合成过程的观测特征相同或不同类型的传感器,从而消除冗余信息。相对完整描述的特性是由利用互补信息,可以提高识别的可靠性。哈札里卡等。26)提出了一种新颖的基于双重特性的特征融合方法投影(FP)肌电图(EMG)分类,提高了识别率。在目前的研究中,权重遗传算法对全球典型相关分析(WGA-GCCA)提出了特征融合方法。
模式识别的分类器是一个重要的方面,是分类的核心问题。支持向量机(svm)和神经网络也已广泛应用于人体运动基于分类表(27]。Mishra et al。28]提出了一种新的方法基于五个特性和一个极端学习机(ELM)痛诊断疾病和获得88%的识别精度。解决这个问题的日常活动的数量大大超过的数量秋季活动,加权内核Fisher线性判别分析(WKFDA)提出了在当前的研究中。在这样一个分析,样本核矩阵是通过使用相应的平衡参数调整。按照日常活动和分类的进一步下跌,双内核参数优化提出了基于榆树(DPK-OMELM)。权重矩阵的正则参数C和内核选择核函数的宽度优化传统的榆树。
本文的其余部分的结构如下:部分2介绍了主题,以及数据采集和特征融合和分类方法。部分3分析和讨论了实验和结果。部分4给出了结论。
2。材料和方法
2.1。课程和活动
十二个健康受试者(六个男人和六个女人;年龄:汽车年;身高:162 - 180厘米;和重量:46 - 70公斤)参加了实验。所有受试者阅读并签署知情同意制度审查委员会批准。实验分为四组:活动姿势,姿态过渡,步态,下降。表中列出的特定识别活动1。
部分实验活动如图1。参与者的脚踝被脚踝保护限制其活动和保护它。行走,楼上,楼下控制对1 m / s的速度。图中可以看到1 (d),参与者被要求坐在地上,保持上半身挺直,臀部相距约20厘米的高跟鞋。upstairs-falling活动如图1 (e),测试板放置在上述步骤的绊倒一步,向前和参与者的膝盖和土地。downstairs-falling如图1 (f)的臀部,参与者被软垫保护,和参与者落后。walking-falling如图1 (g)- - - - - -1(我)落在地上时,参与者绊倒一个障碍在地上。running-falling walking-falling相似。
(一)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
(我)
主题活动进行连续的2 s,重复20次在不同的日子,从而确保每个活动的样本是240。
2.2。数据采集
2.2.1。收购面肌电信号
Trigno™无线肌电图(Delsys Inc .)、纳蒂克,妈,美国)用于记录面肌电信号的信号。它提供了一个16位分辨率,20 - 450赫兹的带宽,小于1.25的基线噪音μV,抑制运动工件。
四面肌电极用于捕获面肌信号从股外侧肌(重要),胫骨前(TA),半腱肌(ST)和腓肠肌(GT),如图2。在1000赫兹面肌信号采样。
(一)
(b)
(c)
2.2.2。收购足底压力
足底压力数据收集使用FSR402压力传感器,这是一个单独的区域和双线圈电阻。FSR402由固体厚聚合物薄膜,和它不同阻力取决于多少压力被应用于传感区域。FSR402是力敏电阻器一轮传感区域直径14.7毫米。图3显示了FSR和物理图转移特性曲线。
(一)
(b)
图4提出了区域划分和足底压力的分布而站。Z5, Z6 Z4的压力/ / Z7和Z10地区是最大的。因此,三个压力传感器固定在鞋垫Z10被放置,中间的Z4和Z5 Z6和Z7,如图5。足底压力信号采样在200赫兹。
(一)
(b)
(一)
(b)
2.3。数据处理和分析
2.3.1。特征提取的表
池中的特征提取方法特性包括以下:振幅(MA)的意思是,方差(VAR),威尔逊振幅(里面),自回归系数(AR)、平均频率(MF),平均功率频率(MPF),小波系数的能量(易),小波包能量系数(EWP),模糊熵(FE),和排列熵(PE)。
定性评价提取的特征,我们将样本数据转换成类可分性指数通过Fisher判别函数。
给定一个样本向量 ,K总样本的数量,而在课堂上是样品的数量我; , 是向量的课吗我和C类的数量。类间散布矩阵和在类散射矩阵如下: 在哪里是所有类和的平均值是类的平均值我。
类可分性指数J是计算 在哪里显示的跟踪矩阵,矩阵的对角元素的总和。
面肌电信号特征的可分性指数计算姿态过渡,步态,下降。这项研究的结果发表在表2(粗体显示的值表示一种类型的活动的四大可分性指标)。
当一个功能的可分性指数高,分类效果好。因此,较高的四个特征可分性指标构成一个功能组选择相应的活动,规定表3。
2.3.2。足底压力的特征提取
压力传感器的信号和总压强是规范化,形成第一(F1)和第二subvectors (F2)特点: 在哪里 是由一个传感器和压力检测一个主题是站时总压强。
subvector F2由总足底压力比可以用来识别脚和地面之间的联系,然后区分的姿势和步态的活动。图6显示了F2 10试验活动,包括站、坐在椅子上,坐在地上,躺着。阈值的方法可以很容易地用于识别姿势活动基于各自的价值观。
足底压力信号的当前值与他们过去的值在任何运动模式。自回归(AR)模型,通过线性组合样本估计的样本。因此,AR模型可用于形成第三个功能subvector (F3)。Akaike信息准则(29日)应用于AR模型的估计,和AR模型的命令设置为3。
2.3.3。特征融合
典型相关分析(CCA)方法测量一双多维随机变量之间的线性关系(30.]。它是用来寻找最佳关联和新基矢量来计算相应的相关性。即通过CCA形成一个对角矩阵,即变量之间的相关矩阵预测和基本组最大相关性。这些基本向量的维度的小尺寸不得超过两个变量(31日]。
广义CCA (GCCA)是一个扩展的CCA包含类的信息矩阵。假设和代表了在类样品的散射矩阵和 ,分别为: 在哪里是jth类的训练样本我;n在课堂上是训练样本的数量吗我;C总类的数目;和表示的意思是向量样本和在课堂上我,分别。
类间散布矩阵和是由
然后,计算广义典型相关判别准则
的标准,和向量最大化 被称为广义正则投影向量(GCPV)。
投影组件的原始空间中的随机变量不相关子空间的相关性,因此,生成特征向量的维数高于原来的特征向量(32]。因此,新功能的尺寸应减少。在这项研究中,加权遗传算法(WGA)是用来减少上述维度。
如图7,选择GCPV使用编剧和投射到一个新的空间来获得一个新的特征向量,即。,the GCPV of WGA (WGA-GCPV), which is defined as the GCCA of WGA (i.e., WGA-GCCA).
染色体的遗传算法(GA)是由面肌功能,和随机生成初始种群。然后,健身是由费舍尔函数值相同的特性。最后,选择动态加权方法如下:
在方程(7),和的识别率和重量吗我th特性集,分别;和的识别率和重量最小识别率的特性集,分别。在方程(8),的权重系数是吗我th特性集。
2.3.4。分类
分类提出了图的流程图8。首先,活动的VAR的总压比小于某一阈值(Th)被视为姿势活动;否则,活动视为其他活动。第二,姿态过渡活动可以区别于其他活动决定F1总是大于零。第三,步态和秋天,马和里面的面肌电信号提取并输入到WKFDA分类器。最后,活动,包括姿势、姿势过渡,步态,和秋天,进一步分类。姿势活动,阈值方法用于分类躺着,坐在地上,坐在椅子上,和站/蹲。站、蹲、马的面肌电信号提取和Fisher线性判别分析(FDA)用于识别。然后,相应的功能群面肌和足底压力AR系数(F3)使用WGA-GCCA融合成一个新特性。最后,功能是输入到DPK-OMELM认识活动。
WKFDA提出分类步态,因为日常生活活动的数量大大超过的数量下降的活动。为进一步分类,我们建议DPK-OMELM。
WKFDA:FDA需要将所有样品在一个方向上,然后确定一个分类阈值在一维空间(33]。FDA打算找到最判别投影通过最大化类间距离和距离最小化在类。通过使用加权核函数,FDA的数据处理能力,现在叫WKFDA,大大改善。流程描述如下:(1)假设包括两种类型的训练样本。类的数量我是 ,和是一个非线性从输入空间映射到特征空间 。(2)核函数 (介绍了内核宽度),内核矩阵 被定义为 (3)假设均值向量的列向量是 。的平均值被定义为 (4)重量 被定义为 然后,内核加权矩阵 是由 (5)池核在类散射通过计算 在哪里是单位矩阵和是一个矩阵的所有元素在哪里吗 。(6)基于WKFDA判别函数定义如下: 在哪里是内核中值类我和是内核在类散射矩阵。(7)最优投影向量通过最大化如下: (8)在特征空间中,投影的变换推导出的
DPK-OMELM:榆树向前是一种先进的单隐层网络学习算法提出了黄等。34]。榆树获得一个简单的广义Moore-Penrose逆操作来确定隐藏输出矩阵。榆树的输入-输出关系可以表示为 在哪里是状态矩阵,是输出矩阵,是输出权重系数矩阵。
黄等。35)提出了优化方法基于榆树(OMELM)。理论表明,一个更小的模块输出的重量榆树的榆树提供更好的泛化性能。因此,OMELM转换的问题最小化榆树的输出误差最小化输出体重的问题。
结合高斯核函数 (是内核宽度),高斯内核榆树需要正则参数的选择吗C在权重矩阵和内核中核函数的宽度。然后, , 在哪里是一个n维输入。
通过结合OMELM算法,我们获得最小输出权重值和C为了优化榆树,现在被称为DPK-OMELM:
3所示。实验结果和讨论
分类器的识别性能通常是定量评估使用三个指标:灵敏度(SEN),特异性(SPE)和准确性(ACC)。
森措施正确辨认出阳性样本的百分比:
SPE措施正确辨认出负样本的百分比:
ACC措施所有正确认证样品的百分比:
TP在这些方程,FP、TN和FN表示的数量真阳性,假阳性,真正的负面,分别和假阴性样品。
当总样本的数量不足,交叉验证,可以使用低方差和高可靠的精度。因此,我们进行了5倍交叉验证这些示例数据。
表4提供了分类结果的姿势,姿态过渡,步态,秋天的活动。
森,SPE, ACC的姿态和姿态过渡活动100%,可能因为简单而明显的信号,从而为进一步的分类提供了一个良好的基础。通过WKFDA,每个步态识别指数和秋季活动可以达到99%。误分类主要是由于秋天的误判和运行。
3.1。姿势识别
在姿态识别中,足底压力使用阈值方法分为三个部分,如图9。
当一个主题是躺着,唯一不与地面接触和F2为零;因此,躺着可以准确识别。力的一部分被施加在地面上或椅子当主题是坐在地上或椅子。一般来说,臀部的力量更大时坐在地上比坐在椅子上;因此,坐在地上的F2相对较小,如图10。随着重心将偏离水平虽然坐在椅子上,有一些错误的F2坐在椅子上。
因此,研究中的阈值如下:
站、蹲、比例范围内是有限的为了防止误判造成的主体的非定常运动;因此, 。
表5介绍了姿态的识别结果的活动。蹲站,我们使用的马和WAMP面肌电信号通过FDA的区分。的振幅有明显差异的面肌蹲站,特别是GT和六世。因此,马和里面的表是用来区分蹲站,和识别率为100%。
3.2。过渡姿势识别
表6介绍了姿态过渡使用姿势的识别结果组和DPK-OMELM过渡特性。如表所示,姿态过渡的反向过程(如st-sig和sig-st)可能会被误诊,但识别率可以达到98.95%。
高斯核支持向量机(GK-SVM) [36)和模糊min-max神经网络(FMMNN) [37显示良好的学习性能在模式识别,GK-SVM和DPK-OMELM介绍FMMNN比较。SEN, SPE,使用三个分类器和ACC,这项研究的结果发表在表7。
表7表明DPK-OMELM优于GK-SVM FMMNN。相反的过程的识别率坐在地上躺着是最高的,因为躺着的总足底压力比为0。standing-squatting的反向过程和squatting-standing GK-SVM的识别精度小于95%,FMMNN不到90%,而DPK-OMELM可以达到97%。
3.3。步态识别
森,SPE, ACC的三个分类器获得和提供的表8。
运行更容易因为它是速度比其他三个步态分类活动。因此,森和SPE方法100%运行。走在平坦的表面,楼上,楼下,,三个评估值的分类器算法在这项研究中都接近100%,从而证明DPK-OMELM优于常见的算法。
3.4。秋天识别
同样的,秋天的分类活动也与GK-SVM FMMNN分类器。森,SPE, ACC的DPK-OMELM GK-SVM, FMMNN分类器是获得和展示在表9。
如表所示,识别率下降的活动通常是低于日常活动。gd-f的识别率较高,一定程度上是因为gd-f不同于其他活动。FMMNN在识别活动,执行不佳,DPK-OMELM仍然是一个更好的分类算法。
4所示。结论
本研究的目的是提供一种日常活动监测,基于面肌和足底压力检测系统。日常活动监测研究被认为是一个新的和旧的话题,在这个领域,仍然可以取得相当大的进展。在这项研究中,一组完整的活动是分裂的基础上几个典型活动包括在日常活动中。通过类可分性指数,这些提取功能,包括时域、频域、时域和频域,选择和熵,组成功能组。通过GCCA WGA-GCCA (GCPV获得,执行的加权特征选择遗传算法,可以减少一半的维度)提出了特征融合。然后,功能组和使用WGA-GCCA足底信号的基于“增大化现实”技术的融合。
在分类,FDA通过积分加权核函数改进。WKFDA用于区分步态和秋季活动,和高准确性。姿势活动,阈值方法用于分类躺着,坐在地上,坐在椅子上,和站/蹲。FDA分类地位和蹲。准确性是接近100%。过渡姿势、步态和秋季活动,提出通过优化DPK-OMELM榆树使用两个参数(C榆树和内核输出权重矩阵的高斯核函数的宽度)。实验表明,该算法识别精度高于GK-SVM FMMNN。在另一项正在进行的研究中,我们考虑四面肌和三个足底压力传感器研究活动识别,取得了很高的识别精度。在未来的研究中,传感器的数量应该减少学习活动识别具有高识别率。此外,我们还将开发一个实时监控装置,可用于人机交互的康复系统。
数据可用性
可以按照客户要求所有的数据都包含在本研究通过与相应的作者。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
这项工作得到了国家自然科学基金(61971169号,61673350,61671197,60903084),浙江省公益性技术研究(没有。LGF18F010006),金华市科技研究项目(没有。2019-3-020)。