文摘

步态布特是当个体执行某些体育活动如散步或跑步。在过去的几十年里,布特步态的研究导致了实质性进展治疗步态障碍(神经性、肌痛和帕金森)一个人。最近,布特步态研究发展的智能手机技术已得到改进。执行步态一轮任务,两个不同的人类活动场景,如走上楼,站,得到使用智能手机的轴方向加速度计。捕获的模式走上楼,站着,我们利用智能手机设备附加到腰内的30名学生年龄从19岁到48岁。我们提出一个人类活动识别模型称为多元三重鞅序列的指数加权移动平均使用粒子群优化(mtm (PSO))在实验设置。mtm (PSO)利用鞅框架来捕获步态布特在人类活动识别数据。首先,mtm (PSO)是一种无监督学习方法,它使用平滑技术,如三指数平滑法去除高频噪声的处理次系列活动,让更多的人看到的模式。其次,活动识别模型包括计算阈值识别布特步态。第三,mtm使用逻辑的先例和粒子群优化(PSO)提高准确度和精密度。 As a result, the overall MTMS(PSO) accuracy and G-mean are和 ,分别。此外,mtm (PSO)独立技术优于其他传统方法如MRPM (PSO),米高梅(PSO)和榆树。

1。介绍

老化是一个过程,导致身体或生理可能影响人们的生活质量下降,导致受伤,心理健康,降低或减少体力活动。人类活动识别(HAR)是一个重要的概念在传统计算,因为它适用于实际人类挑战与照顾老年人和医疗保险。哈尔是一个研究领域,可以跟踪步态布特(GB)的个体通过上下文信息的收集用户的条件和环境1]。在这个例子中,步态可以走的模式,而GB可以被定义为连续运动的时期(步行或运行)2,3]。在这种情况下,GB之间的时间间隔是步态起始和终止。GB基本上需要重复stance-swing周期(4]。随后,如果脚在地上超过指定阈值,它可以被认为是静态的,因此non-GB。

一些研究已经成功地发现GB HAR时间序列(5]。然而,目前尚不清楚多长时间一个人可以暂停运动(散步)在GB之前确定它作为一个单独的较量。一个脉冲的在GB可以改变GB的数量及其持续时间包括在分析(3]。同时,检测复合步态布特仍然构成了一些挑战,比如识别同步运动。例如,成人与步态障碍(神经性、肌痛和帕金森)可以走去厨房在试图回答一个电话。这些运动是非常复杂的,序列分析复杂。此外,步态轮由一个个人可以相互交织;例如,一个人可以敲门的时候分心,而去厕所。参加的人在门口后,第一个可以走回客厅。也可能存在歧义定义类似的活动执行的老人。例如,“打开橱柜”可能表示“准备食物”或“整理”。

GB的分析有助于了解人类运动的影响和挑战限制或残疾通过识别转换和估计身体活动的持续时间。这些信息可以是有益的调查和开发新系统能够识别运动的局限性。世界人口老龄化,神经损伤和不活跃的条件(关节炎、帕金森症)可以阻止身体活动(6,7]。与这些疾病相关的风险是一个重大挑战,医疗从业者。因此,正如前面提到的,量化活动监视可以帮助发现和调查物理运动8,9]。基本信息焦点和激励我们的工作总结如下:(我)研究和监控GB活动识别的目的,例如,检测运动模式和一个单独的物理损伤的早期迹象。此外,这个过程可以让临床医生(s)来评估运动进展的人(尤其是那些有物理损伤)当测试解决方案的有效性10,11]。(2)GB的研究可能有助于探索并研究了独立生存的环境对人的影响步态障碍(12]。此外,研究GB可以让医护人员确定这行走障碍发病(3)研究GB可以使疾病进展的跟踪和测试的有效性的预防措施和解决方案,可以帮助改善运动违规行为(iv)GB的研究还可以使临床医生(s)监督和帮助患者步态异常可能证明不寻常的动作,包括上、下肢对称摆动和其他正常的关节运动学(13- - - - - -15]。(v)通过研究和监测患者的步态模式步态障碍,适当的运动可以建议修改提高他们的运动风格,和长期的幸福(16]。(vi)GB的研究使用人类活动数据来自智能手机(见后续段落)可以提供低功耗、低成本、连续远程病理鉴定筛选工具,使调整个人需求减少临床医生和医护人员的负担

这项工作的主要目标是设计的方法,我们可以检测GB通过使用无线设备(如智能手机)监测患者运动异常,使他们过上健康的生活方式,因为他们执行日常活动。此外,可穿戴技术加速度计和陀螺仪等传感器可以分析GB在现实生活中人类的运动(12,17]。加速度计传感器估计大规模使用位置的位移测量电路。那估计是转换为数字电信号数据处理通过一个模拟数字转换器(ADC)。另一方面,一个陀螺仪传感器措施和维护方向和角速度。哈尔使用这些传感器可以监测人体运动特征(例如,步行)给定一组的观察。这个过程可以通过监测和分析步行从各种来源获得的信息环境和传感器等(18,19]。

加速度计和陀螺仪等传感器封装在智能手机设备和可以被附加到指定的身体如手腕、腰部,胸部,大腿20.,21]。哈尔的研究,通过加速度计和陀螺仪传感器,产生至关重要的个人信息每日运动和生活方式(22]。智能手机的使用增加跟踪GB由于高设备处理能力等通信处理和传感器加速度计和陀螺仪23]。正如前面讨论的,加速度计和陀螺仪在智能手机可以反映人体运动的持续时间的测量速度和位移24]。智能手机是可移植的,不需要复杂的架构来使用它们。这种特性使得智能手机获得HAR (GB信息23,24]。智能手机(内置惯性传感器陀螺仪和加速度计等)现在流行,因为它使得个人信息和通讯服务,因为他们执行他们的日常活动。然而,传感器嵌入到智能手机的缺点由于随机零偏差,和振动噪声影响阅读的结果(25]。

本文提出一种启发式阈值方法称为多元三重鞅序列的指数加权移动平均(mtm)基于以前的工作26]。这个方法可以识别g (s)和估计他们的时间使用智能手机连接到手腕在无人监督的现实世界的情况下。本研究的新颖性如下:(我)我们的方法结合了鞅理论与三指数移动平均线(特马)小说的方式找到一个解决问题的办法,GB HAR时间序列的检测(2)与许多GB检测算法需要一个滑动窗口(27,28),窗口长度可以选择基于方法的准确性,mtm算法不需要滑动窗口。因此,这种方法不需要观察模型的准确性(3)我们的方法使用优化参数获得最佳性能检测GB HAR序列

为了提高mtm方法的准确度和精密度,我们利用优化的概念。调整输入参数的优化过程是发现最有效的参数值,提高了算法的性能29日- - - - - -33]。这种优化技术的一个例子是粒子群优化(PSO)。算法(34(在部分进一步讨论3.3)应用于优化参数的mtm提高性能的方法。优化方法,如遗传算法(GA) (35)可以计算昂贵,要求许多迭代。然而,在这种情况下,算法是最好的选择,它可以处理复杂的问题,需要少量的参数与相应较低的迭代次数(36,37]。我们建议的方法,我们实现PSO G-mean最大化。为什么我们用G-mean代替F1作为我们的首选指标是它可用于计算分类之间的稳定成绩的积极和消极类(38]。G-mean计算可以防止过度拟合的消极类和underfitting积极类(39)相比,F1。也处理扭曲的g点的挑战,我们实现优先级规则40]。这些优先规则确定发作在哈尔的分组数据集和处理挑战的校准和失真的布特点。的优化过程和实现优先级规则进一步讨论的部分3。我们提出的技术指标与传统方法(节中讨论3.4)进行性能比较。

本文结构如下:在部分2,我们审查的最新工作GB检测和讨论算法的阶段;节3,我们介绍我们的建议的方法;节4,我们给我们的实验结果,与现有的方法进行比较;节5,我们链接的结果和讨论部分4规定的医疗挑战部分1。我们总结得出论文部分6,提供洞察结果和下一步的研究。

2。相关工作

在过去的几十年里,许多布特步态检测技术提出了人类活动识别;因此,最近的研究目前集中在测量步态速度在临床领域。为例,研究生物步态模式分类使用一个极端学习机(ELM)方法可以检测早期实现步态异常,如大脑或神经系统疾病的人。这些异常不能单独使用视觉观察发现,还通过实现一个健壮的个体的运动的定量分析。这个过程可以帮助理解神经肌肉力学与脑部疾病有关,这动机帕蒂尔et al。41)来评估性能的多层次步态分类使用几个机器学习方法,即资讯,支持向量机,榆树和延时。实验结果表明,榆树给好的结果(总体分类),用于分析多发性硬化症患者的神经肌肉力学和中风。然而,该模型是基于监督学习分类,可以复杂,GB检测。

收购推动复苏能力对任何人都是集中在学习,和学习机制对我们没有定义。不同的模型创建了基于常规力学和控制探索这种机制。然而,这些模型有局限性。Semwal et al。42)认为,一个有效的计算模型集中在学习将有效地解决这些限制,提出了一种模型,整理人形推动恢复数据通过执行利用加速度计传感器在智能手机的概念。实验使用提出HMCD和HLPRDCD执行解决方案演示膝盖,臀部和踝关节角度分析智能手机数据的变化。结果表明,智能手机数据收集基于HMCD比电位计更准确。同时,执行LVQ表明,推动复苏能力取决于年龄、身高、体重、性别、种族、ambidextrous等等。模型的局限性是它没有实现优化的计算基于混合自动机能够协调两足机器人推恢复人类一样。

步态的研究发现一个人从远处是至关重要的。然而,与人类相关的重大问题不同步态发现高可变性,运动障碍,姿势和速度方差,和常规的步态周期检测。这些挑战激励Semwal et al。43)开发一个算法,探讨了CASIA A, B和C的数据集来确定观点,衣服,和速度不变的人体检测。研究由一个健壮的方法,利用计算机视觉对人类识别。建议技术包括特征提取过程。特征提取方法包括步态能量图像(基)布不变性,直方图的多视图不变性梯度(猪),和泽尼克时刻cross-view随机变换的不变性。下列方法,即支持向量机,安,和XGBoost-based方法,实现在CASIA数据集的算法实现 , ,和独立检测精度等不变性的三个场景执行速度、布和姿势。然而,该模型利用一些监督学习方法,可以为实时GB检测和复杂的开发需要大量的计算时间。

大多数方法分析HAR涉及一个健壮的应用程序和时间序列预处理特征提取。然而,这可以带来很多人类的努力是耗时和特定于应用程序的。这种情况下激发了Dua et al。44提出严重的神经网络模型,实现了一个卷积神经网络和封闭的复发性单元作为一个端到端的模式。这个模型执行自动特征提取和分类的HAR场景。实验进行了利用可穿戴传感器的原始数据与名义预处理和non-handcrafted特征提取技术。从分析获得的精度UCI-HAR, WISDM, PAMAP2数据集 , ,和独立。结果表明,方法比其他一些相关的方法。然而,模型的技术实现了一个监督学习方法可以复杂,开发实时GB检测,需要耗费大量的计算时间。

Atrsaei et al。40]提出的方法基于单一传感器的设置。这种技术可以开发和验证临床和家庭领域通过附加一个传感器的后背。算法使用一个方法称为朴素贝叶斯分类器(一个家庭的概率分类器集中在应用贝叶斯定理与健壮(天真)之间的独立性假设功能),可以用来发现步态发作在家庭环境的活动。验证了方法使用数据积累运动障碍如多发性硬化症患者。取得了精度的方法 评估步态速度偏差率为零。然而,性能仍局限于噪声干扰累积获得的数据通过无线传感器。这项技术能够评估非监督流动性反映在它的精度和F1的分数 。

巴雷特布特步态研究动机等。45),提出一种改进的评估步态发作在Fitbit设备。这是通过评估步态发作,发展模仿Fitbit Flex的体力活动水平。论文的主要目的是对比“黄金标准”的长短模仿Fitbit Freedson方法和确定正常价值预期的错误在布特步态识别两个设备和方法。技术代理方法(代理方法是一种结构设计模式,它可以允许更换另一个对象)来估计实际的身体活动水平。方法使用三种技术比较波检测。这些技术是长短Freedson方法,Fitbit强度得分,模仿Fitbit Freedson利用三个不同的结果。首先,作者比较了时间的布特步态实现AntiGraph GT3X技术基线的每个主题表演一天体力活动。其次,同样的过程决定了强度得分通过Fitbit和模仿Fitbit Freedson方法。最后,作者从三种方法对比步态布特发现一个标签布特步态记录在绩效评估的自我报告的日记。这个过程仍然是限制噪音,影响算法的整体性能。

GB的检测也可以执行使用腕带式传感器测量单元。然而,手腕的广泛自由运动在日常生活的情况下是一个健壮的和精确的GB严重障碍分析。这些挑战激发Soltani et al。46]提出的方法对于识别GB使用腕带式加速度计。方法使用贝叶斯估计量(贝叶斯估计量是一个决策规则,最小化后损失函数的期望值),至少绝对收缩,和选择算子(套索)(确定最优特性最大化性能可能在训练数据集)。套索可以选择特征,包括所有生物力学指标(强度、姿势、周期性和non-gait动态性)。贝叶斯估计和套索技术是紧随其后的是两个身体运动的重要post-categorization措施处理问题挑战的手腕在现实生活中。验证该方法组成的两个数据集健康的年轻人和老年人,分别。该算法实现了满意的四分位范围内来精度、灵敏度、精度和识别的F1分数GB。该算法也会产生高的相关性建议和参考GB发现的总持续时间的方法。这种相关性可以进一步提高隔离噪音HAR序列。

Ramakrishnan et al。47)提出了一个方法,即步态不对称度量(CGAM),综合人类步态运动。CGAM加权规格化的数据稳定每个参数的影响,结合空间、运动、和时间不相称的参数。步态模式的方法可以提高性能通过帮助机械化复苏方法。CGAM也计算量化阈值产生高效、全面的等效步态不对称。技术的研究结合临床评估,如6分钟步行试验(6 mwt),定时去(拉),和步态速度。这些组合获得步态数据上实现对个人有运动障碍如中风之前和之后的复苏。实验结果表明,该CGAM可以产生更高的相关性估计GB。然而,这种相关性仍局限于噪声干扰的HAR数据集。

人类活动识别的概念成为观察和监控相关的在医疗领域障碍与运动有关。然而,一些HAR HAR数据流分析模型可以识别变化但不能测量强度和持续时间的变化。这种情况下动力Etumusei et al。48]提出一种非监督学习技术,即多元指数加权移动平均的鞅序列使用遗传算法(MEWMS (GA))。方法可以发现变化的持续时间和强度,运用鞅框架在哈尔数据集。模型还利用优化技术,以获取最优参数值的加权平均执行遗传算法。实验结果表明,该方法改善了当前的鞅方法。此外,该方法不关注评估步态布特(年代)。

何鸿燊和韦氏26推荐一个鞅框架基于测试数据值的可交换性属性发现时间序列的变化。的方法包括聚类方法和实现一个名为奇异性的度量,这显示了数据点不同。因此,奇异性被用来计算 - - - - - -值和随机功率鞅(RPM)。这个方法可以检测实验的数据序列进行过渡。然而,有限制的算法的性能。例如,这项技术可以捕获一些假阳性由于噪音。同时,该方法可以分析无人监督的多元数据序列。

因此,在我们之前的一些工作48- - - - - -50),我们提出了几个健壮的阈值方法,可以分析时间序列检测变化。这些方法可以分为两个阶段。首先,移动平均等方法使用平滑技术或高斯移动平均线隔离,减少噪音的影响在单变量和多变量时间序列。其次,使用优化方法,如遗传算法和PSO的方法(见部分1)。然而,这项技术并不是专为GB (s)检测。

2.1。背景的研究

我们可以推断出从之前的段落,目前的算法可以发现GB哈尔从无线传感器获得的数据集技术。然而,这些方法的性能还受到噪声干扰从而影响结果呈现。同时,这些方法都不是最大的性能优化。此外,这些方法使用监督学习的方法来检测HAR数据集的变化。然而,监督学习方法有以下限制:它可以实现复杂和昂贵,需要大量的计算时间,不能用于实时。此外,它可能是一个挑战使用动态和不断增长的数据(51]。

解决限制前所述,我们提出一个无监督学习模型(52)被称为多元三重鞅序列的指数加权移动平均(mtm)方法。进一步细化研究的新颖性中概述部分1包括:(我)mtm模型非常简单,不复杂。不需太多的计算时间(2)我们的模型可以实现动态和不断增长的数据没有限制(3)mtm的方法可以识别g (s)和估计他们的持续时间分析HAR数据获得使用智能手机连接到手腕在无人监督的现实世界的情况下

正如前面解释部分1mtm方法使用鞅框架和三指数移动平均线(特马)作为平滑因子(53,54]。三指数移动平均线可以平稳时间序列的波动,使其更容易发现模式没有滞后与传统移动平均线(MA) (55,56]。非正式地,它通过获取几个指数移动平均线(EMA)的实际教育津贴,减去一些滞后。特马顺序可以帮助识别趋势和短期信号改变。特马EMA相比更适合这类型的分析,因为它反应更充分的时间序列的变化趋势(54,57]。此外,我们可以应用一个优化算法(PSO),这是进一步解释部分3.3。算法给出了最优的参数值对提高该算法的性能。

2.2。建议的方法的适用性

该方法可以翻译成一个实时医疗系统,可以监控个人的GB (s)在体育活动。这个系统可以在移动应用的形式,可以处理和分析加速度计数据集GB的发现。我们建议的系统或应用程序可以记录每天的运动。这个应用程序还可以帮助观察患者运动障碍(尤其是老年人)或老年人独自生活。此外,临床医生可以使用信息从这个健康应用程序为用户提供自适应的医疗保健服务。这个智能手机系统的相关性是下面的:(我)它是有效的,因为它不需要额外的硬件或传感器(2)它是高效的流动,因为它可以放在口袋里(3)移动设备,并不能使一个主题感到尴尬或不舒服(iv)它不需要随着智能手机可以与个体的日常监督(v)智能手机与用户可能会在他们的日常活动。这种情况使我们的健康应用程序有效地监视一个人的运动

我们建议的系统包括五个不同的阶段:哈尔的预处理获得的数据集使用智能手机,哈尔的分析数据序列使用我们推荐算法,识别和发现GB,最后,系统的初始化。

3所示。人类活动识别模型

本节解释了该方法用于分析HAR数据集。我们推荐使用加速度计技术旨在识别GB嵌入智能手机连接到手腕在无人监督的实际情况。在下面的文章中,我们将讨论哈尔的数据预处理方法,鞅的概念,阈值计算,逻辑的偏好,粒子群优化技术,和我们的推荐模型的适用性。

3.1。哈尔数据集

的HAR访问数据公开UCI机器学习库和通过Anguita等的研究工作。1,58]。只有站的数据然后适应走楼梯的场景。哈尔序列从智能手机获得的设备连接到不同的参与者包括志愿者从来岁了。每个志愿者实验协议执行两次,每个场景至少执行两次在每个测试模仿重复(见表1)。之间的超时和的主题仍然仍然(站)安排区分每个走楼上的场景。这个数据集得到的加速度计嵌入到智能手机。智能手机是安装在一个合适的身体的一部分(最好是腰部)的参与者可以监测或记录步态场景由个人(1]。

智能手机推荐为实验有很多限制使用移动设备在一个不受约束的环境中。这种限制包括移动硬件架构的变化,低内存容量,non-robust操作系统、嵌入式传感器质量和获得数据的周期性。这些限制使实验HAR困难。然而,智能手机可以克服这些挑战。此外,智能手机等使用对身体传感器接收到的信号可能是有益的在摄像机获得的信号由于原因描述:(我)智能手机可以减轻环境的限制约束和固定设置,相机经常遇到59](2)智能手机等信号从对身体传感器所获得的信息是准确的,高效的,有效59](3)智能手机享受的优势信息隐私相比,获得了使用视频或相机(59]

19100年三星Gallaxy S II存储(microSDHC),的RAM,双核1.2 Hz皮层- A9硬盘。这些特性使它理想的试验设备。这些运动包括三轴加速度和行动的元素标签使用录像。每个参与者执行两次使用智能手机的场景(19100年三星Galaxy S II)附加到腰(最突出的智能手机有效加速度计的放置方向捕捉人类腰或大腿走上楼的场景(60])的志愿者。

因此,智能手机已经插入一个三轴加速度计,可以评估主体的加速度。图1显示了惯性传感器的轴方向waist-mounted智能手机执行的实验及其外壳。此外,图2显示的方向智能手机连接到腰部。的x设在估计垂直运动,而y设在措施外侧的横向运动方向。此外,z设在估计经历的行动方向。加速度信号被记录在一个恒定的速度 ,这是适度快速获取人体运动信息。(61年]。标签程序实现手动选择视频记录在地面监视和对比的实验日志文件的惯性信号(1]。

我们的目标是识别GB(相同的连续性运动模式)的实验。如前所述,GB之间的时间间隔是步态起始和终止。GB基本上需要重复stance-swing周期(4]。随后,如果脚在地上超过某个阈值,它可以被认为是静态的,因此non-GB。参与者执行一些操作,比如站和walk-up-stairs动态场景。上楼梯的场景表示为GB或流动,而站分为non-mobility或non-GB。。

实现这些操作几次的数据集(40]。表1代表讨论的场景。

的封装在智能手机用于捕获三轴加速度计的线性加速度和三轴角速度的一致率这是足够快速获取人体运动信息(61年]。多元三轴的数据积累,从这些活动被称为手动利用录像。此外,获得数据集被随机分为两组,在那里参与者选择的数据和创建培训的参与者为开发测试数据。分区的随机化,是确保没有获得相同的用户在两个样本子集。

3.2。预处理的方法

传感器信号,通过嵌入在智能手机加速计,预处理采用不同过滤器(1]。首先,中值滤波器,巴特沃斯滤波器低阈值的频率赫兹包括减少噪声的信号。巴特沃斯滤波器是一种信号处理滤波器设计了采购响应频率尽可能平坦的通带(63年]。阈值根据工作频率选择了(61年)的规定,人类运动的能量谱的范围内和 。从这些程序,一个三轴加速度是生产。干净的信号表示为两个加速度向量的总和作为重力组件和身体运动加速度分离利用另一个低通滤波器(假设引力因素只影响最低频率)。两个信号显示的分离实验是最大的基准频率达到一个常数重力吗 。这结果是通过不同的基准频率来使用0.025赫兹的增量和测量重力过滤的最小平方误差信号通过减去标准重力常数( )。因此,加速时间导数( ),也被称为混蛋,估计。因此,信号采样使用固定宽度的滑动窗口和一个重叠的相当于阅读每个窗口。这种重叠执行其他哈尔方法有效,如在工作规定(64年,65年]。

固定宽度的滑动窗口和重叠是以下原因1]:(我)正常的节奏范围个人之间行走和步骤(每分钟66年代表一个最小速度每秒1.5步骤(2)最小步行周期每窗口示例包含两个实际的步骤(3)最低的速度选为普通人节奏,慢节奏的人由于残疾或年龄不排除在实验(iv)频域信号需求快速傅里叶变换(FFT) [67年这两个向量的力量最大化(A -= 128 )

此外,对于每一个窗口,一个向量的特性(加速度计3-axial原始信号(tAcc-XYZ)收购通过计算变量使用时间和频率域。这个特征提取,即信号幅度(SMA),意思是,标准偏差(STD),熵,signal-pair相关性(相关系数),是在以前的工作中实现(1]。随后,FFT是用来定位元素为每个窗口的频率。最后,使用标准化技术去除数据冗余(68年,69年]。

标签规范化向量的特性站立和行走楼上场景如图3独立。图中每个情节3代表了加速度计3-axial信号X, Y,和Z,分别。情节单独的红线区域显示参与者走上楼在不同的时间间隔在动态哈尔的场景。其余的数据表示一些不活跃的活动时,参与者只是站着。最后,分析了这些模式使用一种无监督学习方法(见部分3.3发现GB)。哈尔过程如图4。

3.3。GB检测模型

预处理的数据是利用鞅分析框架,这源于概率论和最初观察到在赌博。此外,这个想法一直在利用等不同行业的财务(金融资产定价)70年]。此外,鞅理论被用于生存分析等领域,决策和投资优化(71年]。在[49,50),研究结果表明,鞅的概念可以应用于时间序列的统计分析,如地面数据和哈尔。这些结果显示了鞅方法的实用性和有效性,发现data-producing模型时间序列数据流的变化。何鸿燊和韦氏26)提出了一个鞅方法,即随机功率鞅(RPM)。这种方法可以获得比传统的序贯概率比更好的精度和召回率变化识别。我们应用鞅过程通过启发式阈值方法来分析HAR GB检测数据集。提高结果的精度和召回,我们使用一些技术如te、逻辑偏好,和PSO优化技术。该算法的优点是,它可以获得更好的精度和召回和不使用滑动窗口的RPM方法GB检测。

这个概要文件的数据分析包括以下步骤:(我)计算鞅点(2)计算mtm点(参见3.3)(3)计算阈值(见部分3.3)(iv)确定发生在哈尔的g (s)(v)实现逻辑偏好提高g (s)发现(见部分3.3)(vi)优化算法的参数进一步改善其准确度和精密度(见部分3.3)。下一节中我们将进一步解释这个过程

3.3.1。随机动力鞅

何鸿燊和韦氏26]提出的扩展鞅方法提出了一种度量称为奇异性。陌生代表一个新的数据点在多大程度上不同于之前的一分之一的时间序列。

让我们考虑一个系列 ,哪里有新注册的意义 。让我们也检查数据点的情况已经聚集成不相交的集 (72年]。

定义1。的陌生被定义为 在哪里是集群的中点吗 ,对于一些 这样 。 表示选择的距离。

的陌生用于计算一个“概率”被称为时间序列的分 。如果因为 , 是陌生的和是一个固定值 (26,73年),然后计算如下: ,“”是一个函数的数量才是最重要的满足以下条件。例如, 的数量是令人满意的 ,在哪里是陌生的估计方程(所1)。

直观地说,奇怪的概率比的措施 。因此,一组可以用来计算一个新的序列称为随机鞅。

定义2(见[26])。随机功率鞅(RPM)枚举 在每个时间点决定的 因此,对于一个固定的 ,我们可以计算 。这个模型会发现GB时 在哪里是阈值。阈值将在接下来的段落。

让我们考虑一个数据序列 ,在每一个点是一个向量,这项研究的是变量的数量。将计算每个变量在任何时间点。下一步涉及减少这一新的多维序列转换成一个指标。的计算为每个变量在给定的时间点。的 - - - - - -th意味着这些值决定使用方程: 在哪里是 - - - - - -th的变量 。

,称为多变量随机功率鞅(MRPM),将是我们新的点分析的多元HAR数据集。以下部分解释了计算的阈值( )。在下一节中,我们介绍一种方法,提高了前面描述的鞅方法的性能。该方法可以估计GB HAR。

3.3.2。多元三重鞅序列的指数加权移动平均(mtm)

在以往的研究中,Alevisakos et al。74年)使用时变和渐近控制限制研究和探索的数学属性三指数加权移动平均(TEWMA)或三指数平滑法(te)图。TEWMA图时更有效的检测过程的小变化意味着相比,双指数加权移动平均(DEWMA)和EWMA图,分别。TES实现的一些实例中可以找到的工作Ongiri et al。75年),用TEM去除高频噪声在水文数据做出预测水需求至关重要。此外,Dev et al。55]提出了三重基于指数平滑法的预测方法,从时变数据隔离高频噪声估计太阳辐照度的时间序列模式可行的预测 。

正如前面所讨论的,这个以前的工作激励我们提出一个阈值的方法,实现了在哈尔鞅框架发现GB时间序列。

三指数平滑法(te)指数平滑法扩展到支持时间序列模式,在每一个复制元素,可以是任何数字以外的一个(76年]。获得的新的点序列,我们使用测试工程师定义指数权重随时间(77年]。最后,测试应用于信号分析中遇到去除高频信号(77年]。假设我们生成一个观察序列在一个给定的点与大小 ,在哪里 。EWMA给出: 在哪里衡量成功的价值吗 。 是平滑因子(SF) 。科幻小说代表权重应用于最近的观察。科幻小说越高,更多的重量放在当前的观察,和更少的重量是放在以前的观测。

给定一个数据序列复制模式周期变化(L)。是一个正整数,代表前样品的数量。它也指的是数据点的数量之后,新赛季开始。因此,测试工程师(77年- - - - - -80年)给出: 在哪里的测量点 。请注意,与系列的水平有关,与这一趋势,与重复模式关联因素(77年]。对于我们的技术,我们表达的平滑因子的关系 和 。对于一个给定的时间, , 是周期的观察,代表预期的比例的趋势预测(55]。初始化一组复制模式的因素,至少2 l时期是必需的,这表示整个两季的历史数据。是平衡指数的季节性因素对观测时间序列的最后一集点。因此,我们应用TES鞅点获取mtm的点。mtm点表示如下: 在哪里鞅序列在一个给定的点的尺寸吗和 。 成功的估计量是鞅值( )。下一节讨论了GB检测通过提交使用mtm点阈值方法。

3.3.3。阈值计算

雷et al。81年提出一种技术,它被定义为 ,在哪里表示数据点和的均值平均绝对偏差。我们计算阈值使用 ,在哪里表示时间序列的中值窗口。这个阈值将使发现HAR GB的数据集。GB检测的条件

mtm可以确定GB数据集。如果mtm比阈值 ,检测到GB,如果mtm点比阈值较小,GB并没有发生。的时间间隔大于mtm点被认为是流动性(步行上楼),而相反的被称为non-mobility(站)。在下一节中,我们将实现一个技术被称为逻辑先例的鞅序列在一轮检测改进算法的有效性。

3.3.4。逻辑的先例

提高精度的GB的发现,我们应用两个基本规则40)如下:(我)non-mobility间隔不到和两个流动时期翻译成流动(2)不到的流动性的间隔翻译成non-mobility时期吗

的神经心理原因两个规则是GB不到3秒都被认为不准确GB。相比之下,non-mobility间隔少于3秒连接两个移动间隔可以被承认为一个简短的,无关紧要的休会(40]。因此,任何步态一轮以上被认为是一个真正的行走轮(82年]。这将使我们能够理解潜在不受欢迎隔离GB检测由于噪声或不受欢迎的读数传感器捕获的HAR时间序列。以下部分将解释所使用的优化技术来提高算法的参数来提高性能。

3.3.5。粒子群优化

粒子群优化(PSO)是一种有效的随机优化方法,使用更少的参数来解决复杂的问题[83年,84年]。算法结合了遗传算法和进化方法的特点。这种组合使算法技术计算便宜的内存消耗和速度。此外,算法可以管理优化问题持续,每个人分配一个任意速度,通过多维空间的解决方案。PSO优化的目标是找到最优函数适应度函数的最大化或最小化损失(36,85年]。算法包括以下(85年,86年]:(我)对每一个迭代中,每个粒子的健身价值(2)如果粒子的适应度值小于pb(个人最好位置发现的每个粒子)、pb是更新粒子的位置,因为它是当前最好的可实现的结果的时候(3)确定最好的粒子从整个粒子的健身价值gb(最好的全球地位发现群)(iv)发现pb和g值后,粒子的速度和位置更新。这个过程表示如下: 在哪里 , =的速度粒子(在我们的例子中,速度是转变的机制利用粒子(鞅点),执行搜索最优解)(87年), , =的位置粒子,=个人最好的粒子,和随机数,和的加速度系数决定了粒子速度的影响在全球和本地的路径选优88年]。是确定的惯性权重粒子的前速度的贡献率,在当前时间点89年]。在接下来的会议,我们将使用G-mean指标实现算法。

我们使用PSO方法确定最大参数使用G-mean指标。该算法利用适应度函数(F)获得最优参数值的方法。在这种情况下,适应度函数是一个指定范围的最大G-mean值计算的参数。给出了适应度函数为:

它是代表如下: 在哪里和为每个活动(范围从0到129日]。正如我们前面讨论过的,算法使用方程(11),即适应度函数,来定位参数区间值中的最大G-mean探索(29日]。算法参数选择最大化适应度函数和表中可以看到2。

新的优化序列被称为mtm (PSO)点。mtm方法中说明了算法1,这显示了建议的方法的逐步实现。

3.4。基线的方法

在本节中,我们将详细讨论之前的启发式阈值方法(多元随机功率鞅和多元几何移动平均鞅)(50,71年]。这些方法适用于GB的发现。我们选择这些基线方法实现鞅框架来检测数据集转换。这些方法可以比较与我们提出的mtm技术来评估算法的性能在鞅的家庭。

3.4.1。多变量随机功率鞅

正如前面所讨论的那样,我们适应RPM方法以多元哈尔发现GB数据集。采取以下步骤计算MRPM (PSO)的方法:(我)计算向量的转点给一个新的多元序列(2)翻译新计算多变量序列一个指标(3)计算系列的门槛(iv)使用PSO优化算法的参数

3.4.2。多变量几何移动平均鞅(MGM)

除了MRPM (PSO),我们考虑另一种方法基于GB检测称为几何移动平均鞅(GMAM) [71年]。GMAM方法利用科幻小说中描述的部分3.3。因此,我们采用这种方法来分析多变量时间序列,即米高梅。米高梅算法步骤如下所示:(我)计算多元HAR GMAM点的数据集(2)向量转化为单一指标通过寻找GMAM向量的平均值(3)计算系列的门槛(iv)使用PSO优化参数的技术

3.5。评价指标

本节解释了我们的方法的性能的测量使用流行的评价指标(90年]。这些指标是评估使用混淆矩阵(厘米)91年]。CM描述活动的预测类(GB和non-GB)。连续,CM是用来确定精度,精度,还记得,谐波的意思 ,和G-mean GB检测(40]。准确性、召回、精密、特异性、敏感性,和G-mean基质可以分析mtm的最优选择方法。在这种情况下,混淆矩阵(CM)可以评估算法的性能(91年]。

精度(92年)是一个直观的性能指标定义为GB (s)的比例正确检测到哈尔总观察。以下给出精度:

我们定义真底片(TN)作为假GB (s)正确地认定为假。真阳性(TP)的实际GB (s)正确识别,而假阳性(FP)是不正确的g (s)确认为真实的。假阴性(FN)是实际的g (s)确认为不正确的。因此,精确,回忆(也称为灵敏度),F1分数,和特异性计算如下:

G-mean [38,91年)相关的测量和整体效率的活动。G-mean结合了回忆和特异性。低G-Mean代表一个表现不佳的阳性病例分类而不管消极的可能性是精确分类。G-mean度量是至关重要的,防止过度拟合的假阴性和假阳性underfitting类。

G-mean被定义为:

高G-mean意味着更好的性能在积极的分级情况下,而低G-mean表示低性能(38]。这些性能指标恰当地评估该方法定位GB (s),主要在哈尔不平衡数据集。评估我们的方法是测量使用的性能评价指标,如准确性、精密,记得,谐波的意思 ,和G-mean32,93年]。

3.6。GB的统计分析检测

我们的方法可以估计哈尔的g (s)数据集。一步识别每GB的时间序列如下所示:(我)我们第一次检测的数量次使用我们提出的算法(2)然后我们估计GB哈尔的数据集

GB的估计是通过计算其出现的时间(秒)。如前所述,GB的时间在秒GB。GB:给出

我们也使用不同的统计技术(斯皮尔曼等级相关和均方误差)来估计总GB (s)检测。斯皮尔曼等级次序的相关性(SROC) [94年,95年)的非参数版本皮尔逊积差相关。SROC可以测量的能力和顺序排名两个变量之间的关系。我们可以使用SROC估计实际的GB发现和预测之间的相关性GB。

给定两个序列和 ,我们可以计算对于每一个首先将两个序列到排名 。因此,我们计算两者的区别的序列。给出:

随后,SROC给出: 在哪里是观察和的数量吗 。 斯皮尔曼等级相关系数。在我们的例子中,实际的g (s)表示虽然预测g (s)被描述为 。

均方误差(MSE)可以估计总GB (s)中确定HAR序列(96年]。均方误差的平方之和区别是实际和估计GB (s)。MSE给出:

如前所述,SROC值可以显示两个变量是相关的,而MSE可以称为损失函数用来估计的算法效率。以下部分将讨论我们提出的方法的实验结果和先前的鞅方法。

4所示。结果与讨论

本节讨论该技术用于识别GB HAR。还描述了预处理方法和结果部分使用我们的方法从实验和其他基线方法。

4.1。交叉验证过程

交叉验证技术实现在两个不同的时间序列称为ds1和ds2。首先,我们实现我们的方法(MTSM (PSO))使用训练数据集(ds1)获得最佳G-mean最大化的最优参数值。这些参数值随后实现分析测试数据集(ds2)。ds1和ds2包含和数据点。当我们在训练集上运行算法,我们的最优参数值最大化G-mean 和 。火车的mtm (PSO)优化过程如图5(一个)。然后我们使用这些最佳参数值在一个测试集(ds2)。混淆矩阵(CM)对mtm (PSO)性能测试数据见表3。因此,重复的过程为MRPM (PSO)(见图5 (b))和米高梅(PSO)算法,首先对训练集,然后在测试数据。mtm (PSO)输出如图6(一)而相应的mtm (PSO)输出测试数据集如图6 (b)。这些方法提出了表的CM4和5独立。

4.2。混淆矩阵分析

评估我们的算法性能,是至关重要的,厘米(表的列3- - - - - -5)显示了引用non-GB和GB,而行了预测non-GB和GB。随后,我们从表观察3那GB(步行上楼)发现的mtm (PSO)的方法。此外,该算法可以识别non-GB(站)。然而,该算法只标识non-GB GB和non-GB GB。此外,表4说明了米高梅(PSO)技术能够检测到GB和分别为non-locomotion。然而,该算法可以发现的non-GB GB和独立non-locomotion GB。最后,表5表明MRPM (PSO)方法可以检测到GB和独立的non-GB。此外,该算法可以发现实际的non-GB运动和真正的GB non-GB。

总结上面的分析,我们可以得出这样的结论:mtm (PSO)的方法是更有效的检测比例稍高(超过GB )米高梅(PSO)相比,MRPM (PSO)分开。此外,mtm的错误检测率低于基线的方法(PSO)方法。

上述厘米可以用来计算评价指标,总结在表6并显示中间值和四分位范围(四分位范围显示值的范围下四分位数上四分位数的值)的结果(精度、灵敏度、特异性、精密、F1和G-mean)为训练集和测试集。

4.3。GB的评价指标检测

表6显示之前我们提出的评估指标和方法,分别。的准确性、敏感性、特异性、精密,F1的分数,G-mean训练和测试数据集是由发现结果和百分比值的中值。结果在表6进一步简化表吗7。表7显示了性能改进(百分比)的建议的方法相比,米高梅(PSO)和MRPM (PSO)方法,分别。当我们比较建议米高梅方法(PSO)的方法,我们可以观察到,我们的方法给出了一个更好的精度指标(超过的)相比,米高梅(PSO)的方法。随后,我们的方法提供了更好的灵敏度(结束 )和特异性(超过 )指标相比,米高梅(PSO)技术。同时,我们建议的方法给出了一个更可取的精度(超过 )相对于米高梅(PSO)方法。因此,我们的方法产生一种改进F1(结束 )和G-mean(超过 )测量相对于米高梅(PSO)技术。

因此,我们建议的方法比较传统MRPM (PSO)方法,观察我们的技术提供了更好的精度指标(结束 )。此外,我们的过程产生一个更可取的敏感性(超过 )和特异性(超过 )指标相比MRPM (PSO)技术。此外,我们的方法(在给一个更好的精度 )比MRPM (PSO)方法。此外,我们的方法产生一种改进F1(结束 )和G-mean(超过 )测量相比,传统的鞅方法。

此外,我们比较我们的工作帕蒂尔的et al。41提出一个方法(ELM)评估多层次步态分类的性能。在表8我们提出的分类精度分类GB (s)。

通常,榆树技术实现了分类的准确性在检测g (s)。然而,我们的方法实现了一个整体在检测准确率GB HAR来自智能手机。我们的方法的优点在榆树技术给出如下:(我)我们的模型是一个实际的顺序GB检测方法来捕捉新的HAR ELM方法相比数据点(2)榆树只能分析标签数据集的步态模式检测。然而,我们提出的算法可以分析未标记的HAR数据集GB发现没有监督(3)我们提出的方法可以在数据模式和适应变化

总的来说,我们可以得出结论,我们的方法产生一个更好的结果比传统的榆树和米高梅(PSO),分别。

4.4。GB的检测分析

本节讨论的指标评估算法的性能结果。这两个指标被认为是斯皮尔曼的结果测试和均方误差(MSE)。GB的斯皮尔曼估计之间的测试结果值检测到我们的算法和参考价值的获得 。此外,斯皮尔曼测试GB的评估价值发现的米高梅(PSO)技术和参考价值的收购 。因此,GB的斯皮尔曼测试确定的MRPM (PSO)方法建立参考或测试的价值 。从测试,我们可以确定,提出mtm (PSO)方法给出了相关高于基线的方法。斯皮尔曼测试见图7(一)- - - - - -7 (c)。此外,评估值之间的MSE获得GB和发现参考点的mtm (PSO)、美高梅(PSO), MRPM (PSO) , ,和 ,分别。结果表明,我们建议的mtm (PSO)是有效的(它生成一个低错误率)相比,米高梅(PSO)和MRPM (PSO),分别。MSE率低是由于这一事实暗示方法可以减少噪音,导致假阳性有效基线方法相比。这些结果(SROC和MSE)表中列出9。

4.5。计算时间

我们还执行一些运行(6)为各种算法(MRPM (PSO),米高梅(PSO),和mtm (PSO)),结果在表10。MRPM的迭代运行时间(PSO)计算效率与米高梅(PSO)和mtm (PSO),分别可以观察表10。这个证据是归因于米高梅(PSO)和mtm (PSO)的扩展MRPM技术适应原来的鞅方法。结果显示我们的计算时间执行mtm (PSO)方法略高(秒)的分数相对于基线的方法(MRPM (PSO)和米高梅(PSO))。然而,我们打算通过实验进一步验证算法的计算时间与其他哈尔数据集。

从实验分析,我们可以得出结论,我们提出了mtm (PSO)方法产生更好的性能相比,在检测GB MRPM (PSO)和米高梅(PSO)方法。以下部分提供了进一步讨论的结果。

5。讨论

本文开发了一个有效的算法来识别g (s)和估计他们的时间使用智能手机连接到手腕在无人监督的实际情况。本研究的目的是提供一个可靠的,具有成本效益的、高效的检测方法,能够探测到在哈尔GB (s)。两个不同的加速度计数据集(ds1和ds2)用来验证我们提出的算法的有效性。我们的方法可以检测g (s)的大部分数据集。我们推荐算法实现高水平的准确性总体和极其引人注目的不同的观点。例如,g (s)检测进行了显著的敏感性 。算法的发现g (s)检测在哈尔证明足够的分类。很少有miscategorizations经历了我们建议的方法楼上之间站立和走路。例如,站的误分类而行走的误分类 。精度,也叫我们建议的方法的阳性预测值 ,尽管F1和G-mean值方法的执行和独立(见表6)。这些结果证实,我们建议的方法是计算效率和提供可靠的细节在哈尔GB (s),适合具有成本效益和实时计算机辅助GB (s)发现系统。该系统将使临床医生能够评估老年人或残疾人的运动运动异常。节1,我们提出了一些这样的系统,还简要讨论了g (s)研究可以帮助解决这些挑战。下面的部分将详细说明如何实时反馈系统可以帮助改善步态障碍。另外,我们还将上述结果与这些挑战。

5.1。成本效益的适用性在发现GB (s)

推荐我们的医疗保健系统可以将智能设备(积累人类识别数据),预处理程序(处理收集到的时间序列),和该算法应用程序(用于分析时变数据流GB检测)。这些创新的医疗监测系统非侵入性,低功耗,低成本和将协助临床医生或照护者提供长期远程监控援助,进行早期诊断,追踪异常运动症状随着时间的推移,和分类或预测病理状态(97年]。

5.2。早期诊断的步态异常

识别的早期迹象的可能性运动异常,尤其是老年人,可以使用我们的算法来完成。这种早期诊断可以意识到通过监测和研究GB的老年人使用我们推荐的方法。以下概述了可以解决或管理步态异常,一个人(老年人)实时反馈系统或应用程序使用我们提出的算法。(我)医疗研究人员可以实时跟踪老年人的运动通过监测和观察老人的日常活动使用我们提出健康实时系统(2,98年,99年](2)我们建议系统可以估计GB和non-GB活动通过一个单独的(One hundred.,101年]

这种反馈从我们提出医疗体系可以让医护人员来衡量老年人的日常步态运动(99年,102年]。此外,一个不寻常的观察在GB的研究结果可能促使医疗专家来解决任何问题的根源与步态差异(103年,104年]。这些问题可能会导致进一步的测试(肌肉,肌肉力量和协调)和医疗解决方案的实现找到立即解决步态问题[105年,106年]。

5.3。独立生存的环境对人的影响与运动障碍

我们建议的医疗解决方案可以使老年人或残疾人的实际监测结果步态障碍的神经或non-neurological原因(104年,107年,108年]。这些条件会导致缺乏协调,不稳定,蹒跚步态老一辈[109年]。我们建议的医疗体系可以评估这些人的步态运动在他们的家园和环境通过传感器设备,如前所述。推荐的医疗应用程序也可以确定步态障碍通过实现我们提出的医疗体系。这样的卫生保健系统可以发现和分析老年人的GB评估其运动和协调日常(104年]。这个解决方案可以使医务工作者来调整他们的治疗和运动水平基于这些发现。

5.4。跟踪帕金森病的进展和风险防范措施

步态模式可以被描述为一个人的行走。步态障碍与帕金森病(PD)展品加速度衰减和步幅,如散步,缩短两个步骤的序列和低加速度。以前,统一帕金森病评定量表(UPDRS)运动评分被用来研究运动PD患者的症状(110年]。然而,分数并不是有关步态和姿势改善或恶化。因此,有必要为步态分析活动执行的PD患者使用我们建议系统评估PD的程度会影响病人的运动和姿态。此外,这种步态评估可以帮助医护人员加强当前实践可能有助于症状监测、康复过程,治疗策略,风险评估和规避。在下一节中,我们将讨论的结论和未来的工作。

6。结论和未来的工作

本文简要论述了RPM的方法,可以发现时间序列中异常。我们提出一个可行的和有效的方法的成本和适用性。的方法包括使用智能手机来捕获模式走上楼,站等人类活动场景。智能手机连接到腰部的30名学生的年龄从19岁到48岁。加速度计嵌入在这个智能手机可以接运动通过其对三轴方向。随后,我们实现一个无监督学习技术称为mtm (PSO)在实验设置。建议的方法可以减少频率噪声通过添加平滑过程(特马)加速度计数据处理。该方法进一步使用逻辑优先和优化技术提高准确度和精密度。该方法不使用一个窗口大小,可以实现测量准确度和精密度的一些传统的方法。

该方法可以识别HAR GB (s)的数据。拟议的mtm (PSO)给G-mean值略高(超过 )相比MRPM (PSO)。我们提出的算法也较米高梅(PSO)的方法。实验表明,我们的方法产生一个更好的结果(超过1.0%)的准确性、特异性、精度、F1, G-mean独立。此外,我们的方法优于榆树的方法。

我们推荐的方法可以研究和测量步态违规行为或模式有运动障碍的人。同时,我们提出的方法可以用来测试有效威慑补救措施可以改善步态障碍,尤其是老年人。此外,我们的系统信息步态模式分析可以确保实现有效的临床决策,协助或监督这种病态的行为。

进一步的研究将包括以下几点:(我)我们还将需要验证的方法使用范围广泛的HAR数据流描述GB在残疾人的运动,尤其是老年人(2)调查GB的性质与某些相关步态障碍以及如何区分哈尔的数据集(3)检查之间的关系转变的程度和步态异常使用mtm (PSO)的价值(iv)使用我们提出的医疗系统,协助患者步态异常演示不寻常的动作,包括上、下肢体摆动的交换在时间和其他关节动力学(v)实现和验证算法的性能从不同的领域在其他时间序列异常或变化检测(vi)也提高了算法,从而使其计算效率

数据可用性

的HAR访问数据公开UCI机器学习库的研究工作Anguita et al。(大卫。Anguita,亚历山德罗Ghio、卢卡Oneto Xavier Parra,和Jorge Luis Reyes-Ortiz。节能分享服务活动识别使用定点算术。j . UCS 19 (9): 1295 - 1314, 2013)。

信息披露

资助者没有作用studya€™s设计,在收集、分析、和解释数据,撰写的手稿,或决定发布结果。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是支持的阿尔斯特大学的副校长的研究资助。作者想感谢匿名评论者的建设性建议。