CN111839526B - 一种基于加速度信号的自适应步态周期波形异常检测方法 - Google Patents
一种基于加速度信号的自适应步态周期波形异常检测方法 Download PDFInfo
- Publication number
- CN111839526B CN111839526B CN202010138779.9A CN202010138779A CN111839526B CN 111839526 B CN111839526 B CN 111839526B CN 202010138779 A CN202010138779 A CN 202010138779A CN 111839526 B CN111839526 B CN 111839526B
- Authority
- CN
- China
- Prior art keywords
- gait cycle
- gait
- waveform
- manh
- ith
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000005021 gait Effects 0.000 title claims abstract description 93
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 230000001133 acceleration Effects 0.000 title claims abstract description 23
- 230000005856 abnormality Effects 0.000 title claims abstract description 11
- 238000005259 measurement Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims abstract description 9
- 230000003044 adaptive effect Effects 0.000 claims abstract description 8
- 230000002159 abnormal effect Effects 0.000 claims abstract description 3
- 238000005070 sampling Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 239000002131 composite material Substances 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 4
- 230000011218 segmentation Effects 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 abstract 1
- 230000000737 periodic effect Effects 0.000 description 4
- 238000012163 sequencing technique Methods 0.000 description 2
- 206010017577 Gait disturbance Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/112—Gait analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
- A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供一种基于加速度信号的自适应步态周期波形异常检测方法,涉及信号处理技术领域。本发明输入三轴方向加速度信号,计算合成信号x(n)来构成步态加速度序列X';预处理后得到步态周期矩阵X;计算第i个步态周期Xi波形的相位区间r上xi(n)与之间的标准差ρi(r),并构成检测值Ρi=[ρi(1),ρi(2),…,ρi(r)];计算第i个步态周期Xi波形检测值Pi与L‑1个第j个步态周期Xj波形检测值Pj之间的Manhattan距离d(Ρi,Ρj),得到第i个步态周期Xi波形衡量指标Dmanh(i),i,j=1,2,…,L,且i≠j。计算衡量指标Dmanh(i)的平均值根据衡量指标Dmanh(i)值按从小到大顺序重新组合得到步态周期矩阵X”;该方法使用相位区间为单位,分段计算区间内数据的标准差,来构成一个波形检测值向量,自适应性的、综合的衡量各步态周期波形间的异常程度。
Description
技术领域
本发明涉及信号处理技术领域,尤其涉及一种基于加速度信号的自适应步态周期波形异常检测方法。
背景技术
对于以步态加速度信号周期波形为特征的步态识别方法,基于固定阈值的波形检测方法往往导致有效性信息的丢失。其主要原因在于波形检测的方法不具自适应性,无法满足非平稳时变特性的步态信号波形异常的检测需求。考虑到步态运动模式对应各功能时相的实际情况,通过计算各相位区间内数据检测值的相似性,来自适应的检测步态周期波形,以提高步态特征的有效性与稳定性。
发明内容
针对现有技术的不足,本发明提供一种基于加速度信号的自适应步态周期波形异常检测方法。该方法针对以步态加速度信号周期波形为特征的识别方法,能够自适应性的检测异常,采用以步态周期中的相位区间为单位,分段计算区间内数据的标准差,并组合标准差来构成一个波形检测值向量,自适应性的、综合的衡量各步态周期波形间的异常程度。
为解决上述技术问题,本发明所采取的技术方案是:
一种基于加速度信号的自适应步态周期波形异常检测方法,包括以下步骤:
步骤1:输入三轴方向加速度信号,根据公式(1)合成信号x(n),构成步态加速度序列X’=[x(1),x(2),...,x(n),...,x(N)];
其中a(n)、b(n)和c(n)分别表示前进方向、重力方向和水平方向的加速度值,n=1,2,…,N,N为步态序列长度;
步骤2:根据公式(2)-(4)来混合滤波步态序列X’,其中第一层中值滤波为y1(n),第二层移动平均滤波为y2(n),然后归一化步态序列y2(n)至区间[0,1],线性插值每个步态周期序列至100个点,得到步态步态周期矩阵xi(n)为第i个步态周期采样点的合成信号,且i=1,2,…,L,L为步态周期数目;w1为中值滤波器窗口长度,w1=2k1+1,y1(n)为中值滤波后输出值,而w2为移动平均滤波器窗口长度,w2=2k2+1,y2(n)为移动平均滤波后输出值,k1、k2为正整数,h(n)为移动平均滤波器的单位冲激响应;
y1(n)=median(x(n-k1),…,x(n-1),x(n),x(n+1),…,x(n+k1)) (2)
y2(n)=y1(n)*h(n) (3)
步骤3:根据公式(5)、公式(6)计算第i个步态周期Xi波形的相位区间r上xi(n)与之间的标准差ρi(r),并构成检测值Ρi=[ρi(1),ρi(2),…,ρi(r)];r为一个步态周期中划分的m个相位区间,r=1,2,…,m,m为正整数,lc(r)为第r个相位区间内首位数据采样点数,ld(r)为第r个相位区间内末位数据采样点数;
步骤4:根据公式(7)、公式(8)计算第i个步态周期Xi波形检测值Pi与L-1个第j个步态周期Xj波形检测值Pj之间的Manhattan距离d(Ρi,Ρj),得到第i个步态周期波形衡量指标Dmanh(i),且i,j=1,2,…,L,i≠j。
步骤5:根据公式(9)计算衡量指标Dmanh(i)的平均值
步骤5.1:将衡量指标Dmanh(i)值按从小到大顺序重新组合得到步态周期矩阵X″=[X″1,…,X″i,…X'L']T,X″1为Dmanh(i)值最小的步态周期,X″L为Dmanh(i)值最大的步态周期;
步骤5.2:比较Dmanh(i)与当/>时,步态周期X″i波形属于异常。
采用上述技术方案所产生的有益效果在于:
1、本发明充分利用一个步态周期内波形与相位、功能时相对应关系,充分利用步态生物力学中运动学参数科学分析方法,能够更准确的评价周期波形间的相似性;
2、本发明使用相位区间为单位,分段计算区间内数据的标准差,来构成一个波形检测值向量,自适应性的、综合的衡量各步态周期波形间的异常程度;
3、本发明使用Manhattan距离和衡量指标重构步态周期矩阵,方便观察波形异常状况,利于自适应的保留步态周期有效信息。
附图说明
图1为本发明基于加速度信号的自适应步态周期波形异常检测方法流程图;
图2为本发明实施例算法步态周期重构的结果示意图;
其中图(a)为原步态信号的步态周期排序结果;
图(b)为自适应异常检测后步态周期排序结果。
具体实施方式
下面结合附图对本发明具体实施方式加以详细的说明。
一种基于加速度信号的自适应步态周期波形异常检测方法,如图1所示,包括以下步骤:
步骤1:输入三轴方向加速度信号,根据公式(1)合成信号x(n),构成步态加速度序列X’=[x(1),x(2),...,x(n),...,x(N)];
其中a(n)、b(n)和c(n)分别表示前进方向、重力方向和水平方向的加速度值,n=1,2,…,N,N为步态序列长度;
步骤2:根据公式(2)-(4)来混合滤波步态序列X’,其中第一层中值滤波为y1(n),第二层移动平均滤波为y2(n),然后归一化步态序列y2(n)至区间[0,1],线性插值每个步态周期序列至100个点,得到步态步态周期矩阵xi(n)为第i个步态周期采样点的合成信号,且i=1,2,…,L,L为步态周期数目;w1为中值滤波器窗口长度,w1=2k1+1,y1(n)为中值滤波后输出值,而w2为移动平均滤波器窗口长度,w2=2k2+1,y2(n)为移动平均滤波后输出值,k1、k2为正整数,h(n)为移动平均滤波器的单位冲激响应;
y1(n)=median(x(n-k1),…,x(n-1),x(n),x(n+1),…,x(n+k1)) (2)
y2(n)=y1(n)*h(n) (3)
步骤3:根据公式(5)、公式(6)计算第i个步态周期Xi波形的相位区间r上xi(n)与之间的标准差ρi(r),并构成检测值Ρi=[ρi(1),ρi(2),…,ρi(r)];r为一个步态周期中划分的m个相位区间,r=1,2,…,m,m为正整数,lc(r)为第r个相位区间内首位数据采样点数,ld(r)为第r个相位区间内末位数据采样点数;
本实施例中所述步态周期划分相位区间对应参数值如表1所示;
表1算法步态周期划分相位区间对应参数值
所述步态周期标准差的计算结果如表2所示。
表2算法步态周期标准差的计算结果
步骤4:根据公式(7)、公式(8)计算第i个步态周期Xi波形检测值Pi与L-1个第j个步态周期Xj波形检测值Pj之间的Manhattan距离d(Ρi,Ρj),得到第i个步态周期波形衡量指标Dmanh(i),且i,j=1,2,…,L,i≠j;本实施例中m=7;
步骤5:根据公式(9)计算衡量指标Dmanh(i)的平均值
步骤5.1:将衡量指标Dmanh(i)值按从小到大顺序重新组合得到步态周期矩阵X″=[X″1,…,X″i,…X″L]T,X″1为Dmanh(i)值最小的步态周期,X″L为Dmanh(i)值最大的步态周期;
步骤5.2:比较Dmanh(i)与当/>时,步态周期X″i波形属于异常。
本实施例中所述步态周期衡量指标值与重新排序结果如表3所示;算法步态周期重新排序的示意结果如图2所示。
表3算法步态周期衡量指标值与重新排序结果
序号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 均值 |
i | 7 | 4 | 5 | 8 | 3 | 9 | 2 | 6 | 1 | Dmanh |
Dmanh(i) | 0.0879 | 0.0905 | 0.0914 | 0.0938 | 0.0964 | 0.1053 | 0.1239 | 0.1458 | 0.1578 | 0.1103 |
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (2)
1.一种基于加速度信号的自适应步态周期波形异常检测方法,其特征在于:包括以下步骤:
步骤1:输入三轴方向加速度信号,根据公式(1)合成信号x(n),构成步态加速度序列X’=[x(1),x(2),...,x(n),...,x(N)];
其中a(n)、b(n)和c(n)分别表示前进方向、重力方向和水平方向的加速度值,n=1,2,…,N,N为步态序列长度;
步骤2:根据公式(2)-(4)来混合滤波步态序列X’,其中第一层中值滤波为y1(n),第二层移动平均滤波为y2(n),然后归一化步态序列y2(n)至区间[0,1],线性插值每个步态周期序列至100个点,得到步态步态周期矩阵xi(n)为第i个步态周期采样点的合成信号,且i=1,2,…,L,L为步态周期数目;w1为中值滤波器窗口长度,w1=2k1+1,y1(n)为中值滤波后输出值,而w2为移动平均滤波器窗口长度,w2=2k2+1,y2(n)为移动平均滤波后输出值,k1、k2为正整数,h(n)为移动平均滤波器的单位冲激响应;
y1(n)=median(x(n-k1),…,x(n-1),x(n),x(n+1),…,x(n+k1)) (2)
y2(n)=y1(n)*h(n) (3)
步骤3:根据公式(5)、公式(6)计算第i个步态周期Xi波形的相位区间r上xi(n)与之间的标准差ρi(r),并构成检测值Ρi=[ρi(1),ρi(2),…,ρi(r)];r为一个步态周期中划分的m个相位区间,r=1,2,…,m,m为正整数,lc(r)为第r个相位区间内首位数据采样点数,ld(r)为第r个相位区间内末位数据采样点数;
步骤4:根据公式(7)、公式(8)计算第i个步态周期Xi波形检测值Pi与L-1个第j个步态周期Xj波形检测值Pj之间的Manhattan距离d(Ρi,Ρj),得到第i个步态周期波形衡量指标Dmanh(i),且i,j=1,2,…,L,i≠j;
步骤5:根据公式(9)计算衡量指标Dmanh(i)的平均值
2.根据权利要求1所述的一种基于加速度信号的自适应步态周期波形异常检测方法,其特征在于,所述步骤5具体包括:
步骤5.1:将衡量指标Dmanh(i)值按从小到大顺序重新组合得到步态周期矩阵X”=[X″1,…,X″i,…X″L]T,X″1为Dmanh(i)值最小的步态周期,X″L为Dmanh(i)值最大的步态周期;
步骤5.2:比较Dmanh(i)与当/>时,步态周期X″i波形属于异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010138779.9A CN111839526B (zh) | 2020-03-03 | 2020-03-03 | 一种基于加速度信号的自适应步态周期波形异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010138779.9A CN111839526B (zh) | 2020-03-03 | 2020-03-03 | 一种基于加速度信号的自适应步态周期波形异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111839526A CN111839526A (zh) | 2020-10-30 |
CN111839526B true CN111839526B (zh) | 2023-11-14 |
Family
ID=72984903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010138779.9A Active CN111839526B (zh) | 2020-03-03 | 2020-03-03 | 一种基于加速度信号的自适应步态周期波形异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111839526B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017127522A (ja) * | 2016-01-21 | 2017-07-27 | 日本電信電話株式会社 | 歩容推定装置、方法およびプログラム |
CN107103297A (zh) * | 2017-04-20 | 2017-08-29 | 武汉理工大学 | 基于手机加速度传感器的步态身份识别方法及系统 |
CN107616798A (zh) * | 2017-09-19 | 2018-01-23 | 北京工业大学 | 一种基于重力加速度的步态不对称性检测方法 |
CN109938740A (zh) * | 2019-03-08 | 2019-06-28 | 深圳大学 | 一种步态周期检测方法、装置及计算机可读存储介质 |
-
2020
- 2020-03-03 CN CN202010138779.9A patent/CN111839526B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017127522A (ja) * | 2016-01-21 | 2017-07-27 | 日本電信電話株式会社 | 歩容推定装置、方法およびプログラム |
CN107103297A (zh) * | 2017-04-20 | 2017-08-29 | 武汉理工大学 | 基于手机加速度传感器的步态身份识别方法及系统 |
CN107616798A (zh) * | 2017-09-19 | 2018-01-23 | 北京工业大学 | 一种基于重力加速度的步态不对称性检测方法 |
CN109938740A (zh) * | 2019-03-08 | 2019-06-28 | 深圳大学 | 一种步态周期检测方法、装置及计算机可读存储介质 |
Non-Patent Citations (3)
Title |
---|
FPGA在焊缝图像处理中的应用研究;崔明;莫立东;张文明;;电焊机(第11期);全文 * |
一种使用自适应小波去噪和SIFT描述符的步态识别研究;涂斌斌;谷丽华;揣荣岩;许会;;小型微型计算机系统(第06期);全文 * |
基于MIMU的自适应步态检测算法;路永乐;陈永炜;李瑶;李俊林;刘宇;;压电与声光(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111839526A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114469124B (zh) | 一种运动过程中异常心电信号的识别方法 | |
CN113537102B (zh) | 一种微震信号的特征提取方法 | |
CN111896260B (zh) | NGAs同步优化小波滤波器与MCKD的轴承故障诊断方法 | |
CN113901379B (zh) | 一种边缘端的实时数据动态在线快速处理方法 | |
CN113642484B (zh) | 一种基于bp神经网络的大地电磁信号噪声压制方法及系统 | |
CN114112400A (zh) | 一种基于多角度信息融合的机械轴承故障诊断方法 | |
CN117434153B (zh) | 基于超声波技术的道路无损检测方法及系统 | |
CN105509771B (zh) | 一种发动机滑油金属颗粒在线监测的信号降噪方法 | |
CN115840120A (zh) | 一种高压电缆局放异常监测及预警方法 | |
CN113553997A (zh) | 一种联合改进小波阈值的信号处理方法、存储介质和系统 | |
CN110338791B (zh) | 基于样本熵和高斯模型的表面肌电信号活动段分割方法 | |
CN112747921A (zh) | 一种基于na-memd的多传感器机械故障诊断的方法 | |
CN116304549A (zh) | 一种隧道健康监测数据小波阈值去噪方法 | |
CN111839526B (zh) | 一种基于加速度信号的自适应步态周期波形异常检测方法 | |
CN111260776A (zh) | 一种自适应正态分析的三维形貌重建方法 | |
Lu et al. | A blind source separation method using denoising strategy based on ICEEMDAN and improved wavelet threshold | |
CN112761843A (zh) | 一种共轨喷油器故障诊断方法 | |
CN110248325B (zh) | 一种基于信号多重消噪的蓝牙室内定位系统 | |
CN112183260A (zh) | 一种基于总变差降噪与rqa的单向阀故障诊断方法 | |
CN116720059A (zh) | CEEMDAN-Grey-SSA弱信号提取方法 | |
CN111723677B (zh) | 一种基于自适应阈值的小波去噪方法 | |
CN110007342B (zh) | 一种用于低信噪比地震信号的时频域直接拾取初至方法及系统 | |
CN114814897A (zh) | 一种用于削弱gnss多路径误差的组合滤波方法 | |
CN110459197B (zh) | 用于微弱盲信号去噪与提取的信号增强器及方法 | |
CN114114400A (zh) | 微地震事件有效信号拾取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |