席旭剛,左　靜,羅志增

(杭州電子科技大學(xué)智能控制與機(jī)器人研究所 浙江杭州 3100118)

?

肌電模糊熵特征的加權(quán)核FDA跌倒識別

席旭剛,左靜,羅志增

(杭州電子科技大學(xué)智能控制與機(jī)器人研究所 浙江杭州 3100118)

針對跌倒常常對老年人的健康構(gòu)成嚴(yán)重危害的問題.本文設(shè)計了一種基于肌電信號的跌倒檢測方法,首先提取腓腸肌和股外側(cè)肌的sEMG的模糊熵特征作為特征向量,然后,針對日?；顒觿幼黝?Activities of Daily Life,ADL)的數(shù)目遠(yuǎn)多于跌倒類導(dǎo)致的數(shù)據(jù)集不平衡的問題,提出了加權(quán)核Fisher線性判別方法,采用相應(yīng)的平衡參數(shù)來調(diào)節(jié)樣本核矩陣,最終,將跌倒與行走、蹲下和坐下辨識出來.實驗結(jié)果表明,該方法跌倒平均識別率96.7%,ADL平均識別率99.4%,識別結(jié)果優(yōu)于其它分類方法.

跌到檢測;表面肌電信號;模糊熵;加權(quán)核Fisher線性判別;模式識別

1　引言

跌倒是老年人群體中的高發(fā)性和高危害性的事故.據(jù)估計,在65歲以上的老年人中,每年有1/3都會經(jīng)歷跌倒[1].對于老年人而言,跌倒常常導(dǎo)致受傷,癱瘓甚至死亡[2].跌倒給個人,家庭乃至社會帶來了巨大的經(jīng)濟(jì)負(fù)擔(dān),已成為全社會關(guān)注的健康問題.因此,國內(nèi)外許多機(jī)構(gòu)已經(jīng)開始跌倒檢測與防護(hù)的研究.跌倒檢測的目標(biāo)是將跌倒與日?；顒觿幼?Activities of Daily Life,ADL)辨識出來,從而報警或啟動防護(hù)裝置避免或減少跌倒帶來的傷害.

Krekovic,M[3]等為避免老人因獨(dú)自在家無人照顧,發(fā)生跌倒事故后無法得到及時救治的問題,設(shè)計了一套基于視頻監(jiān)督的老年人跌倒實時監(jiān)測系統(tǒng).該方法是用一臺攝像機(jī)獲取人的動作圖像,通過計算機(jī)提取出運(yùn)動的物體,當(dāng)人體運(yùn)動姿勢和身體方向的動態(tài)特性超過一定的閾值,判別為發(fā)生跌倒,獲得了較好的檢測效果.此方法只適用于在安裝了攝像機(jī)的地點(diǎn)進(jìn)行檢測,而人體是一個活動的對象,當(dāng)被監(jiān)測者離開可監(jiān)測的范圍時,該系統(tǒng)失效.石欣[4]等設(shè)計了一種基于壓力傳感器的便攜式跌倒檢測裝置.將薄膜式壓力傳感器安置于鞋墊來采集人體運(yùn)動中的腳底壓力信息,采用閾值分析與支持向量機(jī)相結(jié)合的方法對腳底壓力值進(jìn)行數(shù)據(jù)處理,成功識別了跌倒.但是由于人的個體差異度較大,這種方法在應(yīng)用于實際時容易產(chǎn)生誤差.Fern'ndez-Caballero,A[5]等為了解決老人在戶外和室內(nèi)空間發(fā)生跌倒后產(chǎn)生認(rèn)知或運(yùn)動障礙,無法得到救助的問題,設(shè)計了一種基于加速度計和計算機(jī)視覺的(可見光和紅外線)跌倒檢測裝置,通過辨別人在跌倒過程中的加速度和姿勢來識別跌倒,從而立即發(fā)出報警,尋求救助.這種裝置存在穿戴不便的問題,難以得到普及.最近幾年,肌電仿生[6]作為新興的研究方向引起了學(xué)術(shù)界的廣泛關(guān)注,通過提取與人體運(yùn)動相關(guān)的肌電信號特征能夠有效辨識人體姿態(tài)[7].目前,國內(nèi)外采用肌電信號進(jìn)行的跌倒識別的研究較少,本文對基于肌電信號的跌倒檢測方法進(jìn)行了探索.

肌電信號(Electromyography,EMG)是一種由肌肉活動引發(fā)的生物電信號,它包含了豐富的肌肉活動的信息[8].由于表面肌電信號 (Surface Electromyography,sEMG)的采集具有拾取方便,無創(chuàng)傷等特點(diǎn)[9],許多研究利用EMG信號中蘊(yùn)含的動作模式信息已經(jīng)成功識別了下肢的動作狀態(tài).如,Mu T[10]等對人在奔跑,行走和站立時的股二頭肌,股直肌,股內(nèi)側(cè)肌和腓腸肌的表面肌電信號采用AR參數(shù)模型估計,再利用最小二乘法支持向量機(jī)對動作進(jìn)行分類,獲得了83.33%的識別率.Zhang F[11]等針對一半以上的下肢截肢者為老年人,更容易發(fā)生跌倒受到嚴(yán)重挫傷的情況,研究了一種有源假肢來檢測預(yù)防跌倒.設(shè)計實驗采集跌倒發(fā)生時的下肢截肢者傷殘肢上大腿的肌電信號,足底加速度,膝關(guān)節(jié)的角加速度,以及垂直地面反作用力這幾項指標(biāo).研究結(jié)果表明,足底加速度能夠在跌倒發(fā)生之前最快做出響應(yīng),結(jié)合肌電信號進(jìn)行跌倒檢測可以大大提高靈敏度和降低誤報警率.Pijnappels M[12]等為了深入研究跌倒發(fā)生時支撐腿上的肌肉對維持身體平衡的作用,設(shè)計實驗觀察受試者在行走中遇到障礙發(fā)生跌倒時的肌肉響應(yīng)情況,實驗結(jié)果表明支撐腿上的肌肉能夠在跌倒發(fā)生后的65ms內(nèi)作出反應(yīng),小腿三頭肌和后腱肌的肌電信號的會產(chǎn)生明顯的抑制跌倒的響應(yīng).

以上研究表明肌電信號是一種能夠有效反應(yīng)人體下肢動作模式的信號,所以本文提出了一種基于肌電信號的跌倒檢測方法.首先,采集人體下肢的sEMG,提取信號的模糊熵作為待分類的特征,已有研究表明,肌電信號的模糊熵特征能夠反映人體不同的動作模式.鄒曉陽[13]等,提取多尺度下的手臂肌電信號的模糊熵,輸入支持向量機(jī)成功識別了內(nèi)翻、外翻和握拳等動作.在跌倒檢測的實驗中,由于日常生活動作(ADL)的數(shù)據(jù)個數(shù)遠(yuǎn)遠(yuǎn)多于跌倒,采用一般的分類方法達(dá)不到理想效果,本文設(shè)計一種改進(jìn)的基于核的Fisher線性判別算法——加權(quán)核Fisher線性判別分析方法 (Weighted Kernel Fisher linear Discriminant Analysis,Weighted Kernel FDA)來檢測跌倒.Deng F[14]等采用基于核的Fisher判別(Kernel Fisher linear Discriminant Analysis,Kernel FDA)方法對MDCT域內(nèi)的音頻信號進(jìn)行削波檢測,經(jīng)過實驗得到了93.86%的識別率.尹軍梅[15]等針對在實際應(yīng)用中很多分類問題是面向不平衡數(shù)據(jù)的分類,導(dǎo)致許多分類器的性能下降的問題,提出一種加權(quán)核Fisher線性判別分析方法,采用相應(yīng)的平衡參數(shù)來調(diào)節(jié)樣本核矩陣的貢獻(xiàn),可克服不平衡數(shù)據(jù)對分類性能的影響.對UCI數(shù)據(jù)集進(jìn)行實驗,測試結(jié)果表明該方法可有效改進(jìn)分類器的分類性能.本文采用加權(quán)核FDA方法對跌倒和ADL進(jìn)行識別分類,經(jīng)過實驗得到了較高的識別率和較低的誤報警率.

2　基本原理

2.1模糊熵算法原理

2007年,Chen W等提出并定義了模糊熵[16,17],它是對序列復(fù)雜度的一種度量,可以定量的對時間序列的規(guī)律性進(jìn)行評估.對于一個N點(diǎn)的時間序列{u(i):1≤i≤N},模糊熵的定義步驟如下:

步驟1構(gòu)建m維向量:

(1)

(2)

式(2)中,i,j=1,…,N-m,i≠j.

(3)

其中r為指數(shù)函數(shù)的寬度.

(4)

綜上,模糊熵可以定義如下:

(5)

對于有限的長度為N的時間序列,由模糊熵的定義可得其估計值:

FuzzyEn(m,r,N)=lnφm-lnφm+1

(6)

2.2Fisher線性判別法

Fisher算法[18,19]將位于d維空間中的樣本點(diǎn)投影到一條直線上,在這條直線上樣本點(diǎn)的投影能夠?qū)崿F(xiàn)最好的分類.算法的目標(biāo)就是找到這個最佳的投影方向.從數(shù)學(xué)推導(dǎo)的角度分析,找到最佳投影方向就是求解最佳變換向量w.

有兩類d維空間中的訓(xùn)練樣本x1,x2,…xN其中N1個屬于類別ω1,其中N2個屬于類別ω2,線性判別函數(shù)定義如下:

(7)

Sb=(m1-m2)(m1-m2)T

(8)

(9)

Sω=S1+S2

(10)

(11)

mi是樣本均值,Si是類內(nèi)離散度矩陣,Sω為類內(nèi)總離散度矩陣,使JF(W)取得最大值的w即為最佳投影方向:

(12)

2.3基于核的Fisher線性判別

基于核的Fisher線性判別算法[20,21]采用類似于SVM和PCA的“核技巧”,將樣本點(diǎn)投影到特征空間F,然后在F空間中進(jìn)行Fisher線性判別.這樣就可以隱含的實現(xiàn)了原輸入空間的非線性判別.由于采用了非線性映射,基于核的Fisher線性判別算法的數(shù)據(jù)處理能力大大提升了.

設(shè)φ為輸入空間到特征空間F的非線性映射,φ:X→F.將輸入空間的向量集合{X1,X2,…，XN}投影到特征空間F,新的向量集合可以描述為{φ(X1),φ(X2),…φ(XN)}.這樣,就可以在新的特征空間中運(yùn)用Fisher線性判別算法.

首先,引入核函數(shù)k(Xj,Xk),基于核的Fisher線性判別的判別函數(shù)定義如下:

(13)

M=(M1-M2)(M1-M2)T

(14)

(15)

總的核類內(nèi)離散度矩陣為:

(16)

(j=1,2,…,N;k=1,2,…,Ni;i=1,2)

(17)

在式(15)、(16)中,wi代表樣本類別,Ki(N×Ni維)是第i類的核矩陣.I是一個Ni×Ni維的單位矩陣.Li是一個Ni×Ni維矩陣,它所有的元素都是1/Ni.

求解使式(13)取得最大值的最佳向量α:

α=H-1(M1-M2)

(18)

在特征空間中,φ(X)在W上的投影變換為:

(19)

本文選取式(20)高斯徑向基函數(shù)(RBF)為核函數(shù):

(20)

2.4加權(quán)核Fisher線性判別模型

(1)記ωi類核矩陣Ki的列向量的均值向量為mKi,有

(21)

(2)按照如下公式定義權(quán)重qi(i=1,2)為:

(22)

(23)

若求得的權(quán)重為qi=[ai1,ai2,…,aiNi],核矩陣Ki=[ki1,ki2,…,kiNi],ki表示長度為N的列向量,i=1,2.對核矩陣Ki作加權(quán)處理:

(24)

本文給各類核矩陣增加這樣的權(quán)重可以適當(dāng)增大K1,減小K2,來解決數(shù)據(jù)集不平衡的問題,達(dá)到優(yōu)化分類效果的目的.

3　實驗過程及數(shù)據(jù)分析

3.1實驗過程

本文要解決的核心問題是檢測跌倒,通過肌電信號提取的特征的差異將跌倒與日?；顒?ADL)區(qū)分開來.考慮到老年人進(jìn)行跌倒實驗會造成機(jī)體損傷,所以,本實驗選取3名健康男性(樣本1、2、3)作為實驗對象,要求受試者在實驗前一周不進(jìn)行劇烈運(yùn)動,以避免肌肉疲勞造成肌肉抖動影響sEMG的準(zhǔn)確性.實驗采用美國Noraxon公司的mt400肌電信號采集儀,采集受試者在行走、蹲下(直立狀態(tài)到蹲的動作轉(zhuǎn)換)、坐下(直立狀態(tài)到坐的動作轉(zhuǎn)換)和跌倒時下肢的股外側(cè)肌、半腱肌、股直肌、闊筋膜張肌、腓腸肌、股內(nèi)側(cè)、脛骨前肌這八塊肌肉的sEMG信號,實驗場景如圖1所示.為了避免噪聲對肌電信號的影響,本實驗選用的信號均經(jīng)過mt400肌電信號采集軟件中的消噪算法進(jìn)行降噪處理,大部分噪聲已被濾除.圖2為股外側(cè)肌的4類動作的sEMG,提取信號的模糊熵特征后發(fā)現(xiàn)腓腸肌和股外側(cè)肌與跌倒動作最相關(guān),跌倒時肌電信號的波形的復(fù)雜程度與其它3個動作差異較大,模糊熵特征分布如圖3所示,區(qū)分效果最好.因此選取這兩塊肌肉的模糊熵特征進(jìn)行分類研究.分類實驗中跌倒動作取30組訓(xùn)練數(shù)據(jù),30組測試數(shù)據(jù).ADL取60組訓(xùn)練數(shù)據(jù)(行走、蹲下和坐下各20組),60組測試數(shù)據(jù)(行走、蹲下和坐下各20組).

3.2特征提取

分別對4類動作的腓腸肌和股外側(cè)肌sEMG信號進(jìn)行處理,采用能量閾值法[22]確定每個sEMG信號的動作開始時刻,取后續(xù)的1500個采樣點(diǎn)數(shù)據(jù)計算模糊熵作為特征.本文計算模糊熵調(diào)用了Matlab函數(shù)FuzzyEn(d,m,r),函數(shù)中d代表1500個采樣點(diǎn)的數(shù)據(jù),m表示維數(shù)通常取m=2,r為閾值,r值選取過小會使熵值顯著受噪聲影響,選取過大又會造成信息損失,經(jīng)過實驗觀察跌倒和ADL的模糊熵的分布,當(dāng)r=0.15時各樣本的動作區(qū)分效果較好.

3.3模式分類

由第2節(jié)的理論推導(dǎo),為了對本實驗中的不平衡數(shù)據(jù)集進(jìn)行有效的分類,本文提出的肌電模糊熵特征的加權(quán)核FDA方法實現(xiàn)步驟可簡述如下:

步驟1獲取ADL和跌倒兩類的下肢肌電信號的樣本數(shù)據(jù),設(shè)N1個屬于跌倒類別ω1,N2個屬于ADL類別ω2,分別進(jìn)行特征提取,求出其模糊熵特征,設(shè)ω1類訓(xùn)練樣本模糊熵特征向量為x1(ω1),x2(ω1),…xN1(ω1),ω2類訓(xùn)練樣本模糊熵特征特征向量x1(ω2),x2(ω2),…xN2(ω2),未知類別的測試樣本模糊熵特征向量X.

步驟2由式(17)求得各類的核矩陣Ki,進(jìn)而計算K1的列向量的均值mK1(1×N1維),K2的列向量的均值mK2(1×N2維).

步驟4由式(15)計算M1,M2,把H,M1,M2代入α=H-1(M1-M2)計算最佳投影向量α.

步驟6由式(19)計算未知待測樣本X新特征空間φ(X)在最佳投影方向α上的投影y.

步驟7依據(jù)Fisher判別法的決策規(guī)則對投影點(diǎn)進(jìn)行分類.

本實驗中N1=30,N2=60.兩類輸入訓(xùn)練樣本新特征空間φ(X)在最佳投影方向α上的投影如圖4所示.

3.4分類性能的評價準(zhǔn)則

對于兩類樣本的分類問題,在機(jī)器學(xué)習(xí)中通常使用混合矩陣來評價分類器的性能,如表1所示.

在經(jīng)典的分類性能評價標(biāo)準(zhǔn)定義中,定義分類精度為:

表1　混合矩陣

(25)

式(25)反映了分類器對數(shù)據(jù)集的整體分類性能,但是對于不平衡數(shù)據(jù)集的分類問題,在少數(shù)類的識別率很低而多數(shù)類的識別率很高時,同樣可得到高的分類精度.因此,本文采用文獻(xiàn)[23]提出評價準(zhǔn)則來評估分類性能.定義:

(26)

(27)

(28)

recall和precision分別為查全率和查準(zhǔn)率,β是可調(diào)參數(shù).通過調(diào)節(jié)β的值,可有效增強(qiáng)或減少少數(shù)類的識別率對分類性能的影響.所以,依據(jù)這種新的分類評價準(zhǔn)則,F-value值能較好地反映針對不平衡數(shù)據(jù)集的分類器的整體性能.F-value值越高,表示分類性能越好.

3.5結(jié)果分析

本文選取基于類中心的歐氏距離分類法、k-近鄰法、支持向量機(jī)、FDA、參考文獻(xiàn)[14]中的加權(quán)核Fisher方法和本文提出的加權(quán)核FDA分類方法進(jìn)行模式分類實驗.待分類樣本為實驗采集的身高體型有差異的3位男性受試者的肌電信號模糊熵數(shù)據(jù),實驗結(jié)果如表2所示.其中,k-近鄰法參數(shù)k=3,文獻(xiàn)[14]方法中,可變參數(shù)λ=0.9時得到了最高的F-value值.在新的評價準(zhǔn)則中,計算F-value時設(shè)β=1.加權(quán)核FDA方法中RBF函數(shù)參數(shù)σ=1.

分析表2可知,對于單個樣本,由于ADL類包含不同的動作,樣本的分布不夠集中,使得歐式距離分類方法顯現(xiàn)出不足,k近鄰法,支持向量機(jī)這樣的經(jīng)典分類算法對不平衡數(shù)據(jù)的分類不再有效,因為這些分類方法大多基于如下假設(shè)[24]:(1)以分類精度作為評價準(zhǔn)則;(2)各類數(shù)據(jù)的樣本個數(shù)大致相當(dāng);(3)各類的錯分代價一致.在實際的跌倒檢測中,ADL類的個數(shù)遠(yuǎn)多于跌倒類,且少數(shù)類的錯分代價比多數(shù)類的錯分代價要高得多,跌倒數(shù)據(jù)屬于少數(shù)類.跌倒檢測需要盡可能將所有跌倒識別出來,以發(fā)出報警信號,使老人及時得到救助.因此,傳統(tǒng)的分類方法不適應(yīng)于跌倒與ADL數(shù)據(jù)的分類.

在進(jìn)行模式分類時,希望類間距離盡可能大,每類的數(shù)據(jù)分布盡可能集中,以得到較好的分類結(jié)果.以樣本1的實驗數(shù)據(jù)為例,本文提取的腓腸肌和股外側(cè)肌上模糊熵特征使待分類樣本呈線性分布,采用FDA方法將這些訓(xùn)練樣本點(diǎn)投影到一條直線上,如圖5,兩類樣本基本上被分開,兩類的中心距d=1.3,進(jìn)行線性分類得到了較好的識別效果,但是誤報警率較高.采用加權(quán)核FDA方法將這些二維訓(xùn)練樣本點(diǎn)投影到一維空間后的分布如圖4,兩類樣本完全被分開,中心距d=108.2,而且各類樣本點(diǎn)分布十分集中,ADL類幾乎聚集到一點(diǎn),實驗結(jié)果表明,跌倒檢測得到了較高的識別率,誤報警率較低.

為了驗證方法的有效性,本文對身高體型不同的3位男性受試者的肌電信號模糊熵數(shù)據(jù)進(jìn)行了分類實驗.表2中的數(shù)據(jù)表明,與其它分類方法相比,本文提出的加權(quán)核FDA方法對3個樣本的跌倒和ADL的識別率的均值最高,并且具有最大的F-value值,表明此方法針對不平衡數(shù)據(jù)集的分類性能最好.

表2　各分類方法對跌倒和ADL的識別率統(tǒng)計

4　結(jié)論

本文基于在跌倒和行走、蹲下和坐下時的sEMG的波形復(fù)雜度的差異,提取模糊熵特征進(jìn)行跌倒檢測,再利用加權(quán)核FDA進(jìn)行模式分類,并成功將跌倒與ADL區(qū)分開來,獲得了較高的識別率.

模糊熵是一種針對非線性時間序列的分析方法.sEMG是一種非線性,非平穩(wěn)的生物電信號,采用皮膚表面的電極采集時較容易受到干擾.當(dāng)采樣數(shù)據(jù)中存在輕微波動或基線漂移時,根據(jù)模糊熵定義中的均值操作可以去除基線漂移的影響.所以用模糊熵來估計sEMG是一種具備良好的抗噪抗干擾能力的穩(wěn)健估計.

基于人在跌倒與ADL(行走、蹲下和坐下)時的腓腸肌和股外側(cè)肌上sEMG的模糊熵特征分布是線性可分的,針對ADL類的數(shù)目遠(yuǎn)遠(yuǎn)多于跌倒類導(dǎo)致的數(shù)據(jù)集不平衡的問題,本文采用加權(quán)核FDA對特征進(jìn)行識別分類,通過實驗證明其分類結(jié)果優(yōu)于傳統(tǒng)的歐式距離、k-近鄰法、支持向量機(jī)、FDA和參考文獻(xiàn)8中的加權(quán)核Fisher方法,針對不同的樣本兩類動作的平均識別率均達(dá)到了95%以上,為跌倒辨識提供了一種新的研究思路.并且,本文對1500個采樣點(diǎn)的肌電信號的模糊熵計算和加權(quán)核FDA分類算法程序的耗時約為2.84s,能夠在跌倒發(fā)生后及時發(fā)出警報,使跌倒監(jiān)測產(chǎn)品的商業(yè)化成為可能.

[1]周白瑜,于普林.老年人跌倒[J].中華流行病學(xué)雜志,2011,32(11):1068-1073.

Zhou Bai-yu,Yu Pu-lin.Falls in older people[J].Chinese Journal of Epidemiology,2011,32(11):1068-1073.(in Chinese)

[2]段春波,覃朝暉,于普林,等.老年人跌倒損傷的治療和疾病負(fù)擔(dān)研究[J].中華老年醫(yī)學(xué)雜志,2008,27(4):302-304.

Duan Chun-bo,Qin Zhao-hui,Yu Pu-lin,et al.Study on treatment and disease burden of falls injuries in elderly population[J].Chinese Journal of Geriatrics,2008,27(4):302-304.(in Chinese)

[3]Krekovic M,Ceric P,Dominko T,et al.A method for real-time detection of human fall from video[A].2012 Proceedings of the 35th International Convention[C].Opatija:IEEE,2012.1709-1712.

[4]石欣,張濤.一種可穿戴式跌倒檢測裝置設(shè)計[J].儀器儀表學(xué)報,2012,33(3):575-580.

Shi Xin,Zhang Tao.Design of a wearable fall detection device[J].Chinese Journal of Scientific Instrument,2012,33(3):575-580.(in Chinese)

[5]Fern'ndez-Caballero A,Sokolova M V,Serrano-Cuerda J,et al.HOLDS:Efficient fall detection through accelerometers and computer vision[A].8th IEEE International Conference on Intelligent Environments[C].Guanajuato:IEEE,2012.367-370.

[6]Dawley J A,Fite K B,Fulk G D.EMG control of a bionic knee prosthesis:Exploiting muscle co-contractions for improved locomotor function[A].IEEE International Conference on Rehabilitation Robotics[C].Seattle:IEEE,2013.1-6.

[7]李仲寧,羅志增.基于小波變換的空域相關(guān)法在肌電信號中的應(yīng)用[J].電子學(xué)報,2007,35(7):1414-1418.

LI Zhong-ning,LUO Zhi-zeng.Spatial correlation filtering based on wavelet transformation application to EMG denoising[J].Acta Electronica Sinica,2007,35(7):1414-1418.(in Chinese)

[8]Das Gupta S,Al Yusuf S,Karim Ammar J,et al.An analysis to generate EMG signal and its perspective:A panoramic approach[A].IEEE International Conference on APCET[C].Mylavaram:IEEE,2012.1-5.

[9]羅志增,李文國.基于小波變換和盲信號分離的多通道肌電信號處理方法[J].電子學(xué)報,2009,37(4):823-827.

LUO Zhi-zeng,LI Wen-guo.A method of multi-channel EMG disposal based on wavelet transform and blind signal Separation[J].Acta Electronica Sinica,2009,37(4):823-827.(in Chinese)

[10]Mu T,Zhang X,Jia B.EMG based pattern recognition of human lower limb motion using AR model and LS-SVM[A].7th IASTED International Conference on Human-Computer Interaction[C].Baltimore:Acta Press,2012.205-210

[11]Zhang F,D'Andrea S E,Nunnery M J,et al.Towards design of a stumble detection system for artificial legs[J].IEEE Transactions on Neural Systems and Rehabilitation Engineering,2011,19(5):567-577.

[12]Pijnappels M,Bobbert M F,van Dieёn J H.How early reactions in the support limb contribute to balance recovery after tripping[J].Journal of biomechanics,2005,38(3):627-634.

[13]鄒曉陽,雷敏.基于多尺度模糊熵的動作表面肌電信號模式識別[J].生物醫(yī)學(xué)工程學(xué)雜志,2012,29(006):1184-1188.

Zou Xiaoyang,Lei Min.Pattern recognition of surface electromyography signal based on multi-scale fuzzy entropy[J].Journal of Biomedical Engineering.2012,29(006):1184-1188.(in Chinese)

[14]Deng F,Bao C,Bao F.Clipping detection of audio signals based on kernel Fisher discriminant[A] IEEE China Summit & International Conference on Signal and Information Processing (ChinaSIP)[C].Beijing:IEEE,2013.99-103.

[15]尹軍梅,楊明,萬建武.一種面向不平衡數(shù)據(jù)集的核 Fisher 線性判別分析方法[J].模式識別與人工智能,2010 (003):414-420.

Yin Jun-Mei,Yang Ming,Wan Jian-Wu.A kernel Fisher linear discriminant dnalysis dpproach diming at imbalanced data det[J].Pattern Recognition and Artificial Intelligence,2010 (003):414-420.(in Chinese)

[16]Sharma J,Panchariya P C,Purohit G N.Clustering algorithm based on k-means and fuzzy entropy for e-nose applications[A] IEEE International Conference on Advanced Electronic Systems (ICAES)[C].Pilani:IEEE,2013.340-342.

[17]劉祎,張權(quán),桂志國.基于模糊熵的低劑量 CT 投影降噪算法研究[J].電子與信息學(xué)報,2013,35(6):1421-1427.

Liu Yi,Zhang Quan,Gui Zhi-guo.Noise reduction for low-dose CT sinogram based on fuzzy entropy[J].Journal of Electronics & Information Technology,2013,35(6):1421-1427.(in Chinese)

[18]Ji Z,Jing P,Yu T,et al.Ranking Fisher discriminant analysis[J].Neurocomputing,2013,120(11):54-60.

[19]Deng Z A,Xu Y,Chen L.Localized local Fisher discriminant analysis for indoor positioning in wireless local area network[A].IEEE Wireless Communications and Networking Conference (WCNC)[C].Shanghai:IEEE,2013.4795-4799.

[20]Zhang D,He J,Zhao Y.Kernel Fisher discriminant analysis with locality preserving for feature extraction and recognition[J].International Journal of Computational Intelligence Systems,2013,6(6):1059-1071.

[21]Ye J,Kobayashi T,Murakawa M,et al.Kernel discriminant analysis for environmental sound recognition based on acoustic subspace[A].IEEE International Conference on Acoustics,Speech and Signal Processing (ICASSP)[C].Vancouver:IEEE,2013.808-812.

[22]雷敏,王志中.一種用于實時提取動作信號的新方法[J].中國醫(yī)療器械雜志,2000,24(4):200-202.

Lei Min,Wan Zhi-zhong,A method for real-time pickup cction signal[J].Chinese Journal of Medical Instrumentation,2000,24(4):200-202.(in Chinese)

[23]韓慧,王文淵,毛炳寰.不均衡數(shù)據(jù)集中基于 Adaboost 的過抽樣算法[J].計算機(jī)工程,2007,33(10):207-209.

HAN Hui,WANG Wenyuan,MAO Binghuan.Over-sampling algorithm based on Adaboost in unbalanced data set[J].Computer Engineering,2007,33(10):207-209.(in Chinese)

[24]袁興梅,楊明,楊楊.一種面向不平衡數(shù)據(jù)的結(jié)構(gòu)化 SVM 集成分類器[J].模式識別與人工智能,2013,26(003):315-320.

Yuan Xing-Mei,Yang Ming,Yang Yang.An ensemble classifier based on structural support vector machine for imbalanced data[J].Pattern Recognition and Artificial Intelligence,2013,26(003):315-320.(in Chinese)

席旭剛男,1975年10月出生,浙江金華人,副教授.2002年畢業(yè)于杭州電子科技大學(xué),獲碩士學(xué)位,主要研究方向為信號處理、傳感器、機(jī)器人.

E-mail:xixugang@hdu.edu.cn

左靜女,1988年4月出生.現(xiàn)為碩士生,主要研究方向為生物醫(yī)學(xué)信息檢測、模式識別．

E-mail:404422@qq.com.

羅志增男,1965年8月出生,浙江慈溪人,教授,博導(dǎo).1998年在浙江大學(xué)獲博士學(xué)位.現(xiàn)為杭州電子科技大學(xué)智能控制與機(jī)器人研究所所長.主要從事機(jī)器人、傳感器及多信息融合、信息檢測的研究.E-mail:luo@hdu.edu.cn

Weighted Kernel FDA Fall Recognition of EMG Fuzzy Entropy

XI Xu-gang,ZUO Jing,LUO Zhi-zeng

(Intelligentcontrol&RoboticsInstitute,HangzhouDianziUniversity,Hangzhou,Zhejiang310018,China)

For the problem that falls often seriously jeopardize to the health of the elderly,this paper designs a fall detection method based on EMG signals.Firstly,the feature of fuzzy entropy is extracted from the sEMG on the gastrocnemius and vastus lateralis muscle.Then,the weighted kernel Fisher linear discriminant analysis is proposed for the dataset imbalance problem that the number of activities of daily life (ADL) is far more than the fall,and the samples nuclear matrix is adjusted by the appropriate balance parameters.Finally,the fall is identified from walking,squat and sit down by this method.The experimental results show that the method has 96.7% fall and 99.4% ADL average recognition rate,and is better than the other classification methods.

fall detection;surface electromyography(sEMG);fuzzy entropy;weighted kernel Fisher linear discriminant analysis(weighted kernel FDA);pattern recognition

2014-11-24;修回日期:2015-03-03；責(zé)任編輯：梅志強(qiáng)

國家自然科學(xué)基金(No.60903084，No.61172134);浙江省自然科學(xué)基金(No.LY13F030017);浙江省科技計劃(No.2014C33105，No.2013C24016)

TP24

A

0372-2112 (2016)06-1376-07