CN104127181A - 基于wkfda的肌电信号跌倒检测方法 - Google Patents

Abstract

本发明涉及一种基于WKFDA的肌电信号跌倒检测方法。首先，从人体下肢的相关肌肉组上采集表面肌电信号，运用能量阈值确定表面肌电信号的动作信号段，对动作信号段的表面肌电信号提取模糊熵作为待分类的特征。然后将特征样本点投影到特征空间，在特征空间中进行线性判别。这样就可以隐含的实现了原输入空间的非线性判别。并采用相应的平衡权重来调节样本核矩阵的贡献，可克服不平衡数据对分类性能的影响。由于采用了非线性映射，基于核的Fisher线性判别算法的数据处理能力大大提升了。实验结果表明，该方法获得了较高的跌倒模式平均识别率，识别结果优于其它分类方法。

Description

基于WKFDA的肌电信号跌倒检测方法

技术领域

本发明属于模式识别领域，涉及一种基于肌电信号的模式识别方法，特别涉及一种跌倒肌电信号的模式识别方法。

背景技术

跌倒是老年人群体中的高发性和高危害性的事故。据估计，在65岁以上的老年人中，每年有1/3都会经历跌倒。跌倒给个人，家庭乃至社会带来巨大的经济负担，已成为全社会关注的健康问题。因此，国内外许多机构已经开始跌倒检测与防护的研究。

肌电信号(Electromyography,EMG)是一种由肌肉活动引发的生物电信号，它包含了丰富的肌肉活动的信息。由于表面肌电信号(SurfaceElectromyography,sEMG)的采集具有拾取方便，无创伤等特点，许多研究利用EMG信号中蕴含的动作模式信息已经成功识别了下肢的动作状态。Tong Mu等对人在奔跑，行走和站立时的股二头肌，股直肌，股内侧肌和腓肠肌的表面肌电信号采用AR参数模型估计，再利用最小二乘法支持向量机对动作进行分类，获得了83.33％的识别率。Zhang F等针对一半以上的下肢截肢者为老年人，更容易发生跌倒受到严重挫伤的情况，研究了一种有源假肢来检测预防跌倒。设计实验采集跌倒发生时的下肢截肢者伤残肢上大腿的肌电信号，足底加速度，膝关节的角加速度，以及垂直地面反作用力这几项指标。研究结果表明，足底加速度能够在跌倒发生之前最快做出响应，结合肌电信号进行跌倒检测可以大大提高灵敏度和降低误报警率。Pijnappels M等为了深入研究跌倒发生时支撑腿上的肌肉对维持身体平衡的作用，设计实验观察受试者在行走中遇到障碍发生跌倒时的肌肉响应情况，实验结果表明支撑腿上的肌肉能够在跌倒发生后的65ms内作出反应，小腿三头肌和后腱肌的肌电信号的会产生明显的抑制跌倒的响应。目前，国内外采用肌电信号进行的跌倒识别的研究较少，存在很大的研究空间。

发明内容

肌电信号是一种能够有效反应人体下肢动作模式的生物电信号，在跌倒检测中，由于日常生活动作(Activities of Daily Living,ADL)的数据个数远远多于跌倒，采用一般的分类方法达不到理想效果，本发明设计一种改进的基于核的Fisher线性判别算法(Weighted Kernel Fisher linear discriminantanalysis,WKFDA)的肌电信号跌倒检测方法。首先，从人体下肢的相关肌肉组上采集表面肌电信号，运用能量阈值确定表面肌电信号的动作信号段，对动作信号段的表面肌电信号提取模糊熵作为待分类的特征。然后将特征样本点投影到特征空间，在特征空间中进行线性判别。这样就可以隐含的实现了原输入空间的非线性判别。并采用相应的平衡权重来调节样本核矩阵的贡献，可克服不平衡数据对分类性能的影响。由于采用了非线性映射，基于核的Fisher线性判别算法的数据处理能力大大提升了。实验结果表明，该方法获得了较高的跌倒模式平均识别率，识别结果优于其它分类方法。

为了实现以上目的，本发明方法主要包括以下步骤：

步骤(1).获取人体下肢肌电信号的样本数据，具体是：首先通过肌电信号采集仪采集人体下肢相关肌肉的肌电信号，并运用能量阈值法确定动作开始点，获得肌电信号的动作信号。

步骤(2).将步骤(1)获取的肌电信号的动作段进行特征提取，求出其模糊熵。

2007年，Chen W等提出并定义了模糊熵，它是对序列复杂度的一种度量，可以定量的对时间序列的规律性进行评估。对于一个N点的时间序列{u(i):1≤i≤N}，模糊熵的定义如下：

1)构建m维向量：

$X_i^m=\{u\left(i\right),u(i+1),...,u(i+m-1)\}-u_0\left(i\right)---\left(1\right)$

其中, $u0\left(i\right)=1/m\underset{j=0}{\overset{m-1}{\mathrm{\Σ}}}u(i+j),i=1,...,N-m+1.$

2)与之间的距离定义如下：

$d_{\mathrm{ij}}^m=d[X_i^m,X_j^m]=\underset{k\∈(0,m-1)}{\max }|u(i+k)-u0\left(i\right)-(u(j+k)-u0\left(j\right))|---\left(2\right)$

公式(2)中,i,j＝1,...,N-m,i≠j.

3)由模糊隶属度函数u(x,r)可推导出与的形似度：

$D_{\mathrm{ij}}^m=u(d_{\mathrm{ij}}^m,r)=\exp [-\ln \left(2\right)\·{(d_{\mathrm{ij}}^m/r)}^2]---\left(3\right)$

其中r为指数函数的宽度。

4)对于可以定义平均相似度均值如下：

${\mathrm{\φ}}_m(N,m,r)=1/(N-m)\underset{i=1}{\overset{N-m}{\mathrm{\Σ}}}[1/(N-m-1)\underset{j=1,j\≠i}{\overset{N-m}{\mathrm{\Σ}}}{D}_{\mathrm{ij}}^m]---\left(4\right)$

5)类似的，对原序列重构一组m+1维矢量重复步骤1)-4)，得到φ_m+1(N,m+1,r)。

综上，模糊熵可以定义如下：

$\mathrm{FuzzyEn}(N,m,r)=\underset{N\→\∞}{\lim }(\ln {\mathrm{\φ}}_m-\ln {\mathrm{\φ}}_{m-1})---\left(5\right)$

对于有限的长度为N的时间序列，由模糊熵的定义可得其估计值：

FuzzyEn(m,r,N)＝lnφ_m-lnφ_m+1   (6)

m表示维数，r为阈值。

步骤(3).以步骤(2)所求得的模糊熵作为特征向量输入加权核Fisher线性判别分析方法(WKFDA)分类器进行模式分类，获得跌倒与日常活动动作ADL的分类识别结果。

在跌倒检测的实验中，日常生活动作(Activities of Daily Living,ADL)的数据个数远远多于跌倒，采用一般的分类方法达不到理想效果，针对跌倒检测这种面向不平衡数据的分类，本发明设计一种加权核Fisher线性判别分析方法(WKFDA)。WKFDA采用相应的平衡权重来调节样本类核矩阵的贡献，可克服不平衡数据对分类性能的影响。

本发明设计的WKFDA方法如下：

设有两类(跌倒与非跌倒动作)d维空间中的训练样本x₁,x₂,...x_N其中N₁个属于类别ω₁，N₂个属于类别ω₂，N＝N₁+N₂。φ为输入空间到特征空间F的非线性映射，φ：X→F。将输入空间的向量集合{X₁,X₂,...X_N}投影到特征空间F，新的向量集合可以描述为{φ(X₁),φ(X₂),...φ(X_N)}。这样，就可以在新的特征空间中运用fisher线性判别算法。

1)首先，引入核函数k(X_j,X_k)，计算第i类的核矩阵K_i(N×N_i维)：

$K_i=<\mathrm{\&phi;}\left(X_j\right)\&CenterDot;X_k^{\left({\mathrm{\&omega;}}_i\right)}>=k(X_j,X_k^{\left({\mathrm{\&omega;}}_i\right)}),(j=\mathrm{1,2},...,N;k=\mathrm{1,2},...,N_i;i=\mathrm{1,2})---\left(7\right)$

选取式高斯径向基函数(RBF)为核函数:

$k(X,Y)=\exp \left\{\frac{{|X-Y|}^2}{{2\mathrm{\&sigma;}}^2}\right\}---\left(8\right)$

2)当ω₁，ω₂类数目相差较大时(N₁＜N₂)，K₂对H的贡献远远大于K₁，从而导致该方法运用于不平衡数据集时得到的分类结果不理想。本发明对核矩阵K_i(i＝1,2)增加如下权重可以适当增大K₁，减小K₂，来解决数据集不平衡的问题，达到优化分类效果的目的。

Step1：记ω_i类核矩阵K_i的列向量的均值向量为有

${{\stackrel{\&OverBar;}{m}}_K}_i=\underset{j=1}{\overset{N_i}{\mathrm{\&Sigma;}}}{m_K}_i,(i=\mathrm{1,2})---\left(9\right)$

Step2：按照如下公式定义权重q_i(i＝1,2)为：

$q_1=\frac{{\stackrel{\&OverBar;}{m}}_{K_1}^2}{{m_K}_1\left(j\right)-{{\stackrel{\&OverBar;}{m}}_K}_1},(j=\mathrm{1,2},...,N_1)---\left(10\right)$

$q_2=\frac{{m_K}_2\left(j\right)-{{\stackrel{\&OverBar;}{m}}_K}_2}{{\stackrel{\&OverBar;}{m}}_{K_2}^2},(j=\mathrm{1,2},...,N_2)---\left(11\right)$

若求得的权重为核矩阵ki表示长度为N的列向量，i＝1,2。对核矩阵K_i作加权处理：

K′_i＝a_ijk_ij(i＝1,2；j＝1,2,...,N_i)   (12)

3)计算总的核类内离散度矩阵：

$H=\underset{i=\mathrm{1,2}}{\mathrm{\&Sigma;}}{K}_i^{\&prime;}(I-L_i)K_i^{\&prime;T}---\left(13\right)$

其中，ω_i代表样本类别，I是一个N_i×N_i维的单位矩阵。L_i是一个N_i×N_i维矩阵，它所有的元素都是1/N_i。

4)根据基于核的fisher线性判别的判别函数定义：

$J\left(\mathrm{\&alpha;}\right)=\frac{{\mathrm{\&alpha;}}^T\mathrm{M\&alpha;}}{{\mathrm{\&alpha;}}^T\mathrm{H\&alpha;}}---\left(14\right)$

其中，M＝(M₁-M₂)(M₁-M₂)^T，

$M_i=\left(\frac{1}{N_i}\right)\underset{k=1}{\overset{N_i}{\mathrm{\&Sigma;}}}k(X_j,X_k^{\left({\mathrm{\&omega;}}_i\right)}),(i=\mathrm{1,2};j=\mathrm{1,2},...,N)$

求解使公式(14)取得最大值的最佳向量α:

α＝H^-1(M₁-M₂)   (15)

在特征空间中，φ(X)在W上的投影变换为：

$y=W^T\&CenterDot;\mathrm{\&phi;}\left(X\right)\text{=}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_{j}k(X_j,X)---\left(16\right)$

5)把跌倒和日常活动动作ADL两类训练样本 代入式16得到两类训练样本新特征空间φ(X)在最佳投影方向α上的投影 $y_i^{\left({\mathrm{\&omega;}}_1\right)},y_j^{\left({\mathrm{\&omega;}}_2\right)}(i=\mathrm{1,2},...,N_1;j=\mathrm{1,2},...,N_2).$

6)由式(16)计算未知待测样本X新特征空间φ(X)在最佳投影方向α上的投影y。

7)依据fisher判别法的决策规则对投影y进行分类。

本发明设计的WKFDA方法利用基于核的fisher将样本点投影到特征空间F，然后在F空间中进行fisher线性判别。这样就可以隐含的实现了原输入空间的非线性判别。由于采用了非线性映射，算法的数据处理能力大大提升了。

本发明设计的基于肌电信号的跌倒检测方法，具有如下有益效果：

基于在跌倒和行走、蹲下和坐下时的sEMG的波形复杂度的差异，提取模糊熵特征进行跌倒检测，再利用WKFDA进行模式分类，并成功将跌倒与ADL区分开来，获得了较高的识别率。

模糊熵是一种针对非线性时间序列的分析方法。sEMG是一种非线性，非平稳的生物电信号，采用皮肤表面的电极采集时较容易受到干扰。当采样数据中存在轻微波动或基线漂移时，根据模糊熵定义中的均值操作可以去除基线漂移的影响。所以用模糊熵来估sEMG是一种具备良好的抗噪抗干扰能力的稳健估计。

针对ADL类的数目远远多于跌倒类导致的数据集不平衡的问题，采用WKFDA对特征进行识别分类，通过实验证明其分类结果优于传统的欧式距离、k-近邻法、支持向量机和FDA方法。针对不同的样本两类动作的平均识别率均达到了95％以上，为跌倒辨识提供了一种新的研究思路。

附图说明

图1为本发明的实施流程图；

图2为本发明采集的跌倒、行走、蹲下和坐下时腓肠肌和股外侧肌的肌电信号图；

图3为本发明对动作肌电信号求模糊熵的特征分布图；

图4训练样本经本发明设计的WKFDA投影后的分布图。

具体实施方式

如图1所示，本实施例包括如下步骤：

步骤一，获取人体下肢肌电信号样本数据，具体是：首先通过肌电信号采集仪拾取人体下肢肌电信号，再运用能量阈值法确定肌电信号的动作信号。

(1)考虑到老年人进行跌倒实验会造成机体损伤，所以实验选取健康男性作为实验对象，要求受试者在实验前一周不进行剧烈运动，以避免肌肉疲劳造成肌肉抖动影响sEMG的准确性。实验采用美国Noraxon公司的mt400肌电信号采集仪，采集受试者在行走、蹲下(直立状态到蹲的动作转换)、坐下(直立状态到坐的动作转换)和跌倒时腓肠肌和股外侧肌的sEMG信号。这两块肌肉的4类动作sEMG如图2所示，跌倒时肌电信号的波形的复杂程度与其它3个动作差异较大，分类实验中跌倒动作取30组训练数据，30组测试数据。ADL取60组训练数据(行走、蹲下和坐下各20组)，60组测试数据(行走、蹲下和坐下各20组)。

(2)运用能量阈值确定肌电信号的动作信号。

步骤二，将步骤一获取的肌电信号进行特征提取，求出该肌电信号的模糊熵。

求取模糊熵时维数取m＝2，r为阈值，r值选取过小会使熵值显著受噪声影响，选取过大又会造成信息损失，经过实验观察跌倒和ADL的模糊熵的分布，当r＝0.15时各样本的动作区分效果较好，模糊熵特征分布如图3所示。

步骤三，将步骤二所求得的模糊熵作为特征向量输入WKFDA算法分类器，获得跌倒检测结果。

针对跌倒检测这种不平衡数据集的分类，本发明设计的加权核Fisher线性判别分析方法(WKFDA)，对每一类的核矩阵增加一个与本类样本分布相关的权重来调节各类样本核矩阵的贡献：适当增大样本数目少的类的核矩阵的贡献同时减小样本数目多的类的核矩阵的贡献，以解决数据集不平衡的问题，达到优化分类效果的目的。训练样本经WKFDA投影后的分布如图4所示。

本实例采用自行设计的适宜跌倒与ADL动作的不平衡数据集分类的WKFDA算法，输入为腓肠肌和股外侧肌上肌电信号的模糊熵。将每组动作的腓肠肌和股外侧肌的模糊熵构成特征向量A＝[x_i,y_i]，其中x_i是第i组腓肠肌信号的模糊熵值，y_i是第i组股外侧肌信号的模糊熵值。分类实验中跌倒动作取30组训练数据，30组测试数据。ADL取60组训练数据(行走、蹲下和坐下各20组)，60组测试数据(行走、蹲下和坐下各20组)，输入WKFDA分类器进行识别，若识别结果与测试目标一致，说明对测试的动作进行了正确归类，否则是错误归类。

为了检测本发明所设计的WKFDA分类算法的性能，引入不平衡数据分类性能的评价准则，如下：

对于两类样本的分类问题，在机器学习中通常使用混合矩阵来评价分类器的性能,如表1所示

表1 混合矩阵

$F-\mathrm{value}=\frac{(1+{\mathrm{\&beta;}}^2)\&times;\mathrm{recall}\&times;\mathrm{precision}}{{\mathrm{\&beta;}}^2\&times;\mathrm{recall}+\mathrm{recall}}---\left(17\right)$

$\mathrm{recall}=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FN}}---\left(18\right)$

$\mathrm{precision}=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FP}}---\left(19\right)$

recall和precision分别为查全率和查准率，β是可调参数。通过调节β的值，可有效增强或减少少数类的识别率对分类性能的影响。所以，依据这种新的分类评价准则，F-value值能较好地反映针对不平衡数据集的分类器的整体性能。F-value值越高，表示分类性能越好。

表2为选取基于类中心的欧氏距离分类法、k-近邻法、支持向量机、FDA和本发明设计的WKFDA分类方法进行模式分类实验结果。待分类样本为实验采集的身高体型有差异的3位男性受试者的肌电信号模糊熵数据。其中，k-近邻法参数k＝3，在新的评价准则中，计算F-value时设β＝1。WKFDA方法中RBF函数参数σ＝1。

表2 各分类方法对跌倒和ADL的识别率统计

Claims (1)

1.基于WKFDA的肌电信号跌倒检测方法，其特征在于该方法包括如下步骤：

步骤(1).获取人体下肢肌电信号的样本数据，具体是：首先通过肌电信号采集仪采集人体下肢相关肌肉的肌电信号，并运用能量阈值法确定动作开始点，获得肌电信号的动作信号；

步骤(2).将步骤(1)获取的肌电信号的动作段进行特征提取，求出其模糊熵；

步骤(3).以步骤(2)所求得的模糊熵作为特征向量输入加权核Fisher线性判别分析方法分类器进行模式分类，获得跌倒与日常活动动作ADL的分类识别结果；

所述的加权核Fisher线性判别分析方法分类器具体设计如下：

设有两类d维空间中的肌电信号训练样本x₁,x₂,...x_N，其中N₁个属于跌倒类别ω₁，N₂个属于非跌倒类别ω₂，N＝N₁+N₂；φ为输入空间到特征空间F的非线性映射，φ：X→F；将输入空间的向量集合{X₁,X₂,...X_N}投影到特征空间F，新的向量集合描述为{φ(X₁),φ(X₂),...φ(X_N)}；

1)首先，引入核函数k(X_j,X_k)，计算第i类的核矩阵K_i，i＝1时表示跌倒，i＝2时，表示日常活动动作，：

$K_i=<\mathrm{\&phi;}\left(X_j\right)\&CenterDot;X_k^{\left({\mathrm{\&omega;}}_i\right)}>=k(X_j,X_k^{\left({\mathrm{\&omega;}}_i\right)}),j=\mathrm{1,2},...,N;k=\mathrm{1,2},...,N_i$

选取式高斯径向基函数为核函数：

$k(X,Y)=\exp \left\{\frac{{|X-Y|}^2}{{2\mathrm{\&sigma;}}^2}\right\}$

2)对核矩阵K_i增加如下权重适当增大K₁，减小K₂，来解决数据集不平衡的问题，达到优化分类效果的目的；

记ω_i类核矩阵K_i的列向量的均值向量为有

${{\stackrel{\&OverBar;}{m}}_K}_i=\underset{j=1}{\overset{N_i}{\mathrm{\&Sigma;}}}{m_K}_i$

按照如下公式定义权重q_i为：

$q_1=\frac{{\stackrel{\&OverBar;}{m}}_{K_1}^2}{{m_K}_1\left(j\right)-{{\stackrel{\&OverBar;}{m}}_K}_1},j=\mathrm{1,2},...,N_1$

$q_2=\frac{{m_K}_2\left(j\right)-{{\stackrel{\&OverBar;}{m}}_K}_2}{{\stackrel{\&OverBar;}{m}}_{K_2}^2},j=\mathrm{1,2},...,N_2$

若求得的权重为核矩阵k_i表示长度为N的列向量，对核矩阵K_i作加权处理：

K′_i＝a_ijk_ij，i＝1,2；j＝1,2,...,N_i

3)计算总的核类内离散度矩阵：

$H=\underset{i=\mathrm{1,2}}{\mathrm{\&Sigma;}}{K}_i^{\&prime;}(I-L_i)K_i^{\&prime;T}$

其中，I是一个N_i×N_i维的单位矩阵；L_i是一个N_i×N_i维矩阵，它所有的元素都是1/N_i；

4)求解使公式取得最大值的最佳向量α：

α＝H^-1(M₁-M₂)

其中，M＝(M₁-M₂)(M₁-M₂)^T，

$M_i=\left(\frac{1}{N_i}\right)\underset{k=1}{\overset{N_i}{\mathrm{\&Sigma;}}}k(X_j,X_k^{\left({\mathrm{\&omega;}}_i\right)}),i=\mathrm{1,2};j=\mathrm{1,2},...,N$

在特征空间中，φ(X)在W上的投影变换为：

$y=W^T\&CenterDot;\mathrm{\&phi;}\left(X\right)=\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_{j}k(X_j,X)$

5)把跌倒和日常活动动作ADL两类训练样本模糊熵特征代入得到两类训练样本新特征空间φ(X)在最佳投影方向α上的投影

6)由式计算未知待测样本X新特征空间φ(X)在最佳投影方向α上的投影y；

7)依据Fisher判别法的决策规则对投影y进行分类。