CN110269613A - 一种多模态信号静态平衡能力评估方法 - Google Patents

Abstract

本发明涉及一种多模态信号静态平衡能力评估方法。首先，采集人体两通道下肢表面肌电信号、两通道压力中心信号、两通道角速度和两通道角度信号组成多模态信号，然后采用基于多元经验模态分解的多元多尺度熵特征提取方法对多模态信号进行特征提取，将求得的特征向量输入支持向量机进行静态平衡能力评估。这种方法不仅能够定量分析信号的复杂度，而且能够全面的考虑到多元信号对人体静态平衡能力的影响。实验结果表明，该方法获得了较高的人体静态平衡能力评估识别率，识别结果优于其它方法。

Description

一种多模态信号静态平衡能力评估方法

技术领域

本发明属于模式识别领域，涉及一种基于多模态信号的模式识别方法，特别涉及一种人体静态平衡能力评估的模式识别方法。

背景技术

评估静态平衡能力在康复医学中意义重大，神经科、骨科和五官科的许多疾病常会引起静态平衡功能障碍，针对不同类型及程度的疾病，临床上采用的治疗方案差异较大，评估静态平衡能力可帮助医生制定康复方案、评估康复治疗的成果。平衡能力是人类的一项基本能力，科研人员已经对它进行了160多年的研究。人体平衡能力评估的理论体系已经在科技的进步及众多研究人员的坚持探索下初步建立。目前国内外评估平衡能力的方法主要有观察法、量表法、基于压力中心的平衡测试仪法、基于姿态的平衡测试仪法、基于表面肌电信号的平衡能力评估法等。观察法与量表法全部都是定性评估平衡能力的方法，主观性太强，一般用于临床的初步诊断。随着学者们利用计算机技术研究平衡测试技术，通过平衡测试仪定量评估人体静态平衡能力得以实现。国外学者在平衡测试仪的研究中已经取得很多成果，比如目前常用的Balance Master、Equitest等，不仅能够对人体平衡能力进行评估，而且能够帮助平衡功能障碍病人进行康复治疗。国内学者康妮首先提出使用动态踏板装置产生外力干扰，系统具体包括测力平台和动态踏板，整个系统可实现评估静态和动态平衡能力。迟放鲁等通过位于腰部的倾角传感器提取人体摇摆角度信号评估人体静态平衡能力。姜丽等通过采集对照组和实验组的股内侧肌、股直肌、股外侧肌和股二头肌的表面肌电信号，得出基于表面肌电信号的评估结果与Berg平衡量表结果存在正相关结论。目前，国内外采用多模态信号(多通道肌电信号、压力中心信号、角度和角速度信号)进行的人体静态平衡能力评估的研究较少，存在很大的研究空间。

发明内容

本发明针对现有技术中对于人体静态平衡能力的研究主要基于单一信号，但人体平衡机制十分复杂，单一分析一种信号无法准确评估平衡能力。本发明以多模态信号作为原始数据，设计一种基于多元经验模态分解的多元多尺度熵算法(MultivariateMultiscale Entropy Based on Multivariate Empirical Mode Decomposition,MEMD-MMSE) 的多模态信号静态平衡能力评估方法。首先，采集人体两通道下肢表面肌电信号、两通道压力中心信号、两通道角速度和两通道角度信号组成多模态信号，然后采用基于多元经验模态分解的多元多尺度熵特征提取方法对多模态信号进行特征提取，将求得的特征向量输入支持向量机进行静态平衡能力评估。这种方法不仅能够定量分析信号的复杂度，而且能够全面的考虑到多元信号对人体静态平衡能力的影响。实验结果表明，该方法获得了较高的人体静态平衡能力评估识别率，识别结果优于其它方法。

为了实现以上目的，本发明方法主要包括以下步骤：

步骤(1).获取人体两通道下肢表面肌电信号、两通道压力中心信号、两通道角速度和两通道角度信号的样本数据，具体是：通过肌电信号采集仪采集人体下肢相关肌肉的肌电信号，通过平衡测试仪采集人体压力中心信号，通过姿态仪采集人体角速度信号和加速度信号，并运用加速度角速度融合算法，获得人体角度信号。

步骤(2).将步骤(1)获取的多模态信号进行特征提取，求出其基于多元经验模态分解的多元多尺度熵。

步骤(3).以步骤(2)所求得的基于多元经验模态分解的多元多尺度熵作为特征向量输入支持向量机分类器进行模式分类，获得人体静态平衡能力的评估分类结果。

人体平衡机制十分复杂，单一分析一种信号无法准确评估平衡能力。针对多模态信号评估人体静态平衡能力问题，本发明设计一种基于多元经验模态分解的多元多尺度熵特征提取方法(MEMD-MMSE)。MEMD-MMSE能够定量评估多通道信号潜在的动态特性，可单一信号评估人体静态平衡能力的缺陷。

本发明设计的MEMD-MMSE方法如下：

1)将多模态信号按照信号种类分为多组多元信号，设表示一组n元信号，使用MEMD将n元原始信号自适应分解为一系列IMFs和残余分量的加和形式：

其中，M表示IMFs的层数，表示v_i(t)的第m个IMF分量，rⁱ(t)表示v_i(t)的的残余分量；

2)选取不同的IMFs组合方式，重构每组多元信号；

3)按照如下公式对多元时间序列信号进行“粗粒化”处理：

其中σ为尺度因子，j的取值范围是多元信号时间序列为其中 k＝1,2,···,p，p为通道数量，N为单一通道的样本点数量，i取值范围是1≤i≤N；

4)计算所有粗粒化处理之后的多元时间序列的多元样本熵MSampEn；

5)求解1至J尺度下的样本熵值累加得到的复杂度值，即为多元信号的多元多尺度熵：

6)采用独立样本T检验方法计算相同IMFs组合方式下不同类别样本的统计差异性，选取P值最小的IMFs组合方式所求的特征值，作为每组多元信号的特征值；

7)将各组多元信号的特征值组成最终的特征向量。

本发明设计的MEMD-MMSE方法利用多元经验模态分解排除多模态信号中无用频率成分带来的干扰，然后提取多元多尺度熵特征组成特征向量。这样就可以使用多模态信号更加全面的评估人体静态平衡能力。

本发明设计的基于多模态信号的静态平衡能力方法，具有如下有益效果：

基于不同平衡能力等级的人体多模态信号的复杂度的差异，利用MEMD-MMSE方法提取特征组成特征向量，再利用支持向量机进行模式分类，并成功评估人体静态平衡能力等级，获得了较高的识别率。

多模态信号由多组多元信号组成，使用传统特征提取方法难以全面评估样本信号的动态特性。多元经验模态分解适合多元数据的联合分析与数据级的多通道数据融合，能够对来自不同通道的频率子带进行对齐。多元多尺度熵特征能够同时反映通道内信号的长程相关性和跨通道信号的相关性。所以用基于多元经验模态分解的多元多尺度熵能够全面反映多模态信号的特性。

针对传统特征提取方法无法有效完整的反映多模态信号的动态特性的问题，采用MEMD-MMSE对多模态信号进行特征提取，通过实验证明其评估分类结果优于传统的多尺度熵特征和多元多尺度熵特征提取方法。针对不同的样本三种平衡功能等级的平均识别率均达到了86％以上，为静态平衡能力评估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为本发明对多模态信号求MEMD-MMSE的特征分布图。

具体实施方式

如图1所示，本实施例包括如下步骤：

步骤一，获取人体两通道下肢表面肌电信号、两通道压力中心信号、两通道角速度和两通道角度信号的样本数据，具体是：通过肌电信号采集仪采集人体下肢相关肌肉的肌电信号，通过平衡测试仪采集人体压力中心信号，通过姿态仪采集人体角速度信号和加速度信号，并运用加速度角速度融合算法，获得人体角度信号。

(1)实验对象由5名平衡功能正常的研究生和武警浙江总队杭州医院的10名平衡障碍患者组成。实验对象必须能够完成采集行为，所以本文中选择Berg平衡检查得分最低12分的重度平衡患者作为重度平衡障碍实验对象。三个平衡功能等级的实验对象按照Berg平衡量表评定的得分范围和人数如表1。

表1不同等级实验对象的Berg平衡量表得分范围和人数

(2)实验使用的多模态信号具体如表2。表面肌电利用MyoTrace400肌电采集仪采集自腓肠肌与胫骨前肌；采用Wii Balance Board平衡板采集人体压力中心信号，压力中心信号分为两个方向，即前后(anteroposterior,AP)和两侧(mediolateral,ML)方向；前后角速度(AP-Palstance)和两侧角速度(ML-Palstance)通过i4Motion姿态传感器采集；前后角度(AP-Angle)和两侧角度(ML-Angle)通过加速度和角速度融合算法计算得到。

表2实验数据的种类及来源

步骤二，将步骤一获取的多模态信号采用MEMD-MMSE算法进行特征提取，求出其基于多元经验模态分解的多元多尺度熵。

多元经验模态分解的IMFs筛选是否停止是通过引入一个基于包络幅值的评价函数来决定的。包络幅值m(t)是信号的局部均值，评定函数为：f(t)＝|m(t)/a(t)|。取α＝0.075，筛选过程直到满足f(t)≤α时结束。采用独立样本T检验方法计算相同IMFs组合方式下不同类别样本的统计差异性，选取P值最小的IMFs组合方式所求的特征值，作为每组多元信号的特征值，特征分布如图2所示。

步骤三，将步骤二所求得的基于多元经验模态分解的多元多尺度熵作为特征向量输入支持向量机分类器进行模式分类，获得人体静态平衡能力的评估分类结果。

本实例采用自行设计的适宜评估人体静态平衡能力的MEMD-MMSE算法，输入为两通道下肢表面肌电信号、两通道压力中心信号、两通道角速度和两通道角度信号组成的四组二元信号，共45组多模态数据。然后提取数据集的三种熵特征，得到8维的多尺度熵特征向量、4维的多元多尺度熵特征向量和4维的MEMD-MMSE特征向量，按特征提取方法把数据集分作三组，三组数据集都以2：1的比例分为30组训练集和15组测试集，训练集与测试集中三种静态平衡功能等级的实验者的多模态数据所占比例均为1：1：1。接着使用分别使用三组训练集训练K-均值分类器。最后使用三组测试集分别输入分类器进行识别，若识别结果与测试目标一致，说明对平衡能力等级进行了正确归类，否则是错误归类。

为了检测本发明所设计的MEMD-MMSE特征提取算法的性能，基于两种分类器使用两种传统特征提取方法与本发明设计的MEMD-MMSE进行了静态平衡能力评估比较，如下：

表3为基于K-均值聚类算法的多尺度熵、多元多尺度熵和本发明设计的MEMD-MMSE分类方法进行模式分类实验结果。测试集中三种静态平衡功能等级的实验者数目均为5，表中结果表示测试集中识别正确的结果。其中，k-均值算法参数k＝3。

表3三种特征在使用K-均值分类器时的识别结果

表4为基于支持向量机算法的多尺度熵、多元多尺度熵和本发明设计的MEMD-MMSE分类方法进行模式分类实验结果。测试集中三种静态平衡功能等级的实验者数目均为5，表中结果表示测试集中识别正确的结果。

表4三种特征在使用SVM分类模型时的识别结果

Claims (1)

1.一种多模态信号静态平衡能力评估方法，其特征在于该方法包括如下步骤：

步骤(1).获取人体两通道下肢表面肌电信号、两通道压力中心信号、两通道角速度和两通道角度信号的样本数据，具体是：通过肌电信号采集仪采集人体下肢相关肌肉的肌电信号，通过平衡测试仪采集人体压力中心信号，通过姿态仪采集人体角速度信号和加速度信号，并运用加速度角速度融合算法，获得人体角度信号；

步骤(2).将步骤(1)获取的多模态信号进行特征提取，求出其基于多元经验模态分解的多元多尺度熵；

步骤(3).以步骤(2)所求得的基于多元经验模态分解的多元多尺度熵作为特征向量输入支持向量机分类器进行模式分类，获得人体静态平衡能力的评估分类结果；

所述的基于多元经验模态分解的多元多尺度熵特征提取方法具体设计如下：

1)将多模态信号按照信号种类分为多组多元信号，设表示一组n元信号，使用MEMD将n元原始信号自适应分解为一系列IMFs和残余分量的加和形式：

其中，M表示IMFs的层数，表示v_i(t)的第m个IMF分量，rⁱ(t)表示v_i(t)的残余分量；

2)选取不同的IMFs组合方式，重构每组多元信号；

3)按照如下公式对多元时间序列信号进行“粗粒化”处理：

其中σ为尺度因子，j的取值范围是多元信号时间序列为其中k＝1,2,···,p，p为通道数量，N为单一通道的样本点数量，i取值范围是1≤i≤N；

4)计算所有粗粒化处理之后的多元时间序列的多元样本熵MSampEn；

5)求解1至J尺度下的样本熵值累加得到的复杂度值，即为多元信号的多元多尺度熵：

6)采用独立样本T检验方法计算相同IMFs组合方式下不同类别样本的统计差异性，选取P值最小的IMFs组合方式所求的特征值，作为每组多元信号的特征值；

7)将各组多元信号的特征值组成最终的特征向量，将特征向量输入分类器即得到最终的平衡能力评估结果。