文摘
人类运动的动态检测是很重要的,这是广泛应用于运动状态捕获和康复领域的工程。在这项研究中,基于多通道信息的表面肌电图(表)信号的上肢和下肢的三轴加速度和足底压力信号,有效的虚拟驾驶控制,提出了步态识别方法。可穿戴的人体姿态检测的有效途径也建造。首先,移动平均线窗口和阈值比较部分面肌上肢的信号。小波系数的标准差和奇异值与特征提取。训练和分类后优化的支持向量机(SVM)算法,实时检测和三个虚拟驾驶行为进行分析。平均识别精度为90.90%。其次,均值,标准差、方差和三轴加速度提取的小波能量谱,和这些参数结合足底压力的步态特征。优化的支持向量机被选中的步态识别,平均精度为90.48%。实验结果表明,通过不同的组合可穿戴传感器上、下肢运动姿态信息可以动态检测,可用于虚拟康复行走系统和辅助系统的设计。
1。介绍
人体姿态检测系统方法确定姿态的变化在指定区域和人类运动检测的范围。一般来说,它可以定量描述的设备。根据不同的检测方法,人体姿态检测主要分为nonwearable检测和耐磨检测。与此同时,人类姿态检测模式有四种,即红外检测、服装和数据手套、电子相机,和测量传感器。可穿戴的检测结合测量传感器,有几个小的特征检测极限,不会干扰等外部环境背景照明。
表面肌电图(表)代表的生物电活动脊髓运动神经元的控制下大脑运动皮层,可以直接反映了人类运动意图和肌肉状态信息的实时交互和非侵入性,操作方便1]。小说muscle-computer接口(MCI)提出了基于面肌电信号的信号特性,可以用于识别肢体运动模式,并将其转换为输入命令来控制外部设备。这种技术已经应用领域的康复;例如,它可以帮助患者运动功能障碍执行运动控制在一个虚拟现实(VR)环境,有效改善康复训练的效果2,3]。林康等人设计了一个身临其境的康复的视频游戏,使用统一的引擎和面肌电信号传感器捕捉运动行动4]。鲍威尔等人利用虚拟现实环境来执行基于模式识别的肌电控制训练,改善肌电信号的一致性和歧视的残肢肌肉在截肢者5]。面肌信号分析的引入,实现了智能确认系统指令,从而解决肢体运动障碍的问题。
步态是人类走路的姿势表现,它反映了人类运动和神经系统的结构和功能。步态检测的目的是标识对象的步态模式通过分析他们的步态信息。信息获取的主要途径包括加速度传感器、压力传感器和多传感器融合6- - - - - -9]。年轻和Omid使用机器学习的方法来处理步态加速度传感器信息和获得更高的分类精度10,11]。步态检测基于多传感器融合可以获得更多步态信息,这有助于提高识别准确度。步态检测技术已广泛应用于运动训练、医学研究,和行人导航12- - - - - -14]。
在这项研究中,一个有效的可穿戴的人体姿态检测方法提出了上、下肢。面肌上肢的信号分析是应用于虚拟驾驶。基于实时的特点和安全面肌信号,虚拟驾驶操作是由有效的特征提取和分类识别。通过结合三轴加速度和足底压力的特点,一个优化的支持向量机(SVM)分类器被用来获得有效的步态识别的结果。
2。方法
这个姿势和步态运动的肢体语言很重要。当身体移动时,它通常是通过合作实现多个肌肉群,和人体的姿态信息可以探测到一些可穿戴设备(15- - - - - -18]。在这项研究中,通过检测面肌上肢的信号,握着方向盘的运动姿势识别,和识别模式转化为控制命令执行实时控制的虚拟驾驶。收集受试者的足底压力信号通过膜压力传感器,和人类的步态识别相结合的三轴加速度信号。可穿戴的人体姿态检测的原理框架如图1。首先,原始表信号,三轴加速度信号,和足底压力信号过滤。其次,运动段信号的特征提取。最后,优化支持向量机算法用于识别人体运动的意图。
2.1。主动段上肢面肌电信号的检测和特征提取
为了有效地提取运动信息,移动平均线窗口相结合来检测和阈值比较活跃的面肌电信号的信号。方法如下:(1)面肌信号序列带通滤波后的平方,瞬时平均能量序列定义。是当前面肌电信号序列标签, (2)移动窗口选择与固定窗长度 ,和平均能量计算, (3)阈值是集。如果 又一次,所有数据在窗口大于阈值 ,和所有的数据在窗口时间小于阈值 ,然后是运动的起点;否则,它是终点。在这项研究中,2%的序列信号的最大能量被选为阈值(19]。
特征提取是面肌电信号的信号识别的关键技术。因此,选择适当的特性直接影响到后续的分类结果。在这项研究中,小波系数的标准差和奇异值被选为模式识别的特点(20.,21]。
2.1.1。标准偏差(SD)
在哪里采样点的数量,是面肌电信号的幅值信号的我th采样点,是样本均值。
2.1.2。奇异值分解)
奇异值的小波系数代表稳定性好,能够充分反映了矩阵中包含的信息。让 ,然后有一个正交矩阵 , ,这样 在哪里 , 被称为矩阵的奇异值吗 ,也就是说,积极的特征值的平方根的或 。
通过分解面肌电信号的信号 层, 部分波段。然后,奇异值在每个子带信号实现吗奇异值分解。在这项研究中,每个部分波段的奇异值作为特征,也就是说, 。
2.2。步态信息检测和特征提取
下肢和足底压力的三轴加速度信号提取。时域特性、加速度的意思 ,标准偏差 ,和方差预处理后提取从三个方向的加速度信号。时频域特性,所使用的小波能量谱。
小波能量谱是基于小波包分解提取多尺度空间能量特征。计算在不同分解尺度上的能量然后安排这些能源值特性根据订单规模,也就是说, 在哪里 小波包变换系数,的序列号是低频子空间。在这项研究中,小波基函数db1被选为三级分解。选择八个低频子空间加速度信号中提取小波包能量。
足底压力信号的特征提取是一个意思前脚压力之间的差异和脚跟的压力,也就是说, 在哪里代表了前脚收集的薄膜压力传感器的压力,和代表了脚跟的压力。
2.3。基于遗传算法优化的支持向量机
决策树,与贝叶斯相比,再和其他基于统计模式识别的分类方法,支持向量机算法是明显的优势在解决小样本、非线性和高维识别问题(22,23]。
SVM算法的原则意味着找到一个最优分类超平面,以满足分类要求基于结构风险最小化,及其学习策略被用来最大化区间,即转化为二次规划问题的解决方案。对于线性不可分的数据,首先需要确认内核函数,然后使用非线性映射算法将不可分割的样本的低维特征转换为高维特征使其线性可分的。合适的核函数 和参数是选择。通过构造拉格朗日对偶函数,可以描述为非线性支持向量机 在哪里是惩罚因子,是拉格朗日乘子。每个系数的最优解。核函数后证实,最优分类函数
中使用的核函数支持向量机算法包括多项式核函数、乙状结肠内核函数,径向基函数(RBF)。在这项研究中,RBF选择,即, 。与此同时,利用遗传算法(GA)优化核函数的参数。
quasinatural搜索算法的遗传算法是一种基于达尔文进化理论。它可以模拟进化适者生存的自然和解决问题的空间映射到遗传空间。为了优化支持向量机算法基于GA,惩罚因子和RBF参数需要优化。通过选择、交叉、变异等遗传算子,人口具有良好的健身保留,和最优人口终于通过迭代进化。流程图的核函数参数优化的支持向量机基于GA如图2。
3所示。实验结果
12个受试者参加虚拟驾驶控制和步态实验。研究对象包括六个男人和六个女人年龄在21到27年。所有科目没有扭伤等伤势影响运动机能,以及运动神经疾病。面肌上肢被DELSYS收集的信号测试系统,传感器的使用内置电极与10毫米的间距。电极和接收机之间的所有数据通过无线方式。在步态测试中,受试者穿鞋有两个膜压力传感器,和三轴加速度采集装置放置在脚踝收集五个步态模式的信号,包括走路,等待,楼上,楼下,下降。
一些设置在这项研究中使用的控制参数表1。GA优化过程中训练,5倍交叉验证选择获得最佳健康。50个迭代后,最优惩罚因子 和核函数参数 计算。
3.1。面肌的鉴别试验
每个运动信号采集的两个渠道。图3显示了三个虚拟车辆的运动状态,包括左转弯、停止和右转。图中的红圈代表面肌电信号的采集地点的信号。
(一)
(b)
(c)
前臂肌肉的三种运动状态的影响是不同的。两组肌肉,肱二头肌和伸腕ulnaris,选择实验。的时域特征左转,停止和右转如表所示2。基于标准偏差的结果,发现美国的肱二头肌在识别三个运动更明显。
为了进一步提高识别精度,融合了时频特性。标准差被选为时域特性和小波系数选择频域特性。一组a3低频系数和高频系数d1, d2和d3可以通过三级面肌电信号采集信号的小波分解。方差、最大值和奇异值的系数计算。从表可以看出3小波系数的奇异值特征更明显。
从图可以看出4,结合小波系数的标准差和奇异值可以达到最高的识别通过在线支持向量机算法的识别精度。左转的识别准确率为82%,右转是92%,站是98.7%,平均识别三个动作的准确性为90.90%。
转向等人应用神经网络分类器实现的分类表信号从上臂肌肉,和最好的分类精度为89.3%24]。张等人承认面肌信号基于人类运动的意图,和上肢信号基于SVM分类器的分类精度提高,从90.33%到91.1%不等(25]。相比之下,我们的识别结果更好。李等人研究了量化表信号特性和上肢关节角之间的关系,以确定运动意图(26]。邵等人综合有效提高分类精度的计算功能(27]。Tosin等人也表现多重特性分析上肢的面肌电信号的信号(28]。这些结果表明,多个功能融合可以提高分类精度。
可以看出,实时交互的虚拟驾驶场景可以通过检测面肌电信号进行信号的上肢和识别的运动姿势握着方向盘在虚拟驾驶操作。Nacpil等人还提出了一个方法来执行sEMG-controlled虚拟汽车在PC平台上,显示的可行性实现sEMG-machine界面控制的转向虚拟汽车(29日]。
3.2。步态识别测试
图5显示加速度和足底压力信号5行走步态模式,等待,楼上,楼下,下降。
(一)
(b)
优化支持向量机的参数后,识别精度的比较如图6。步态识别准确性基于单个加速度信号平均是80.42%,而基于足底压力信号是69.28%。融合加速和足底压力信号后,五个步态模式的平均识别精度为90.48%,显著高于基于单一信号。人工智能等人结合小波系数和加速度信号特性,基于SVM分类器,分类精度的五个下肢运动增加了8% (30.),而我们的分类精度提高了12.5%。
4所示。结论
在这项研究中,面肌信号分析和虚拟驾驶技术相结合,研究了有效的特征提取和分类识别方法。浸入式教学的优势相结合,兴趣,和针对性,虚拟驾驶控制是由真正的运动。肱二头肌肌肉可以区分三种运动包括左转,停止和右转。移动平均线窗口和被用来检测和分割阈值比较表收集信号。小波系数的标准差和奇异值与特征提取。支持向量机算法被用来执行三个虚拟驾驶动作的实时控制。平均识别精度为90.90%。
步行三轴加速度和足底压力信号,等待,楼上,楼下,和收集的下降,和加速度的特性意味着,标准差、方差,加速度信号的小波能量谱,意味着脚掌和脚跟的压力差别。优化的支持向量机,五个步态模式的平均识别精度可以达到90.48%。融合信号的识别精度明显高于单一信号。
可穿戴的人体姿态检测可以用于病人需要肌肉康复训练。它不仅解决问题不方便操作的患者的运动障碍,但也有重要现实意义的改善病人的康复训练效果。
数据可用性
的∗数据用于支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
本研究受上海高校工程研究中心的可穿戴式医疗技术和仪器。这项研究是由上海卫生政策研究项目(2019号HP71)和上海科委项目(排名19441914900)。