基于SVM的步态信号模式分类研究.pdfVIP

2013年 6月 机械设计与制造工程 Jun．2013 第42卷 第6期 MachineDesignandManufacturingEngineering Vo1．42No．6 DOI：10．3969／j．issn．2095—509X．2013．06．018 基于 SVM 的步态信号模式分类研究 尹 静 (上海建桥学院信息技术学院，上海 201319) 摘要：为了有效识别健康人和帕金森患者的步态信号，从步态压力信号入手，提出了一种有效提 取特征参数的方法。建立 了具有 自动识别步态压力特征的SVM模型，设计 出了支持向量机 (SVM)的分类器。实验结果表明，该算法的识别率达到了90％以上，对帕金森患者的发现和诊断 等具有一定的意义。 关键词：帕金森；步态信号；模式分类；特征参数；SVM 中图分类号：TP312 文献标识码 ：A 文章编号：2095—509X(2013)06—0068—03 基于帕金森的步态研究是当前的热点之一，但 以上特点将作为数据筛选的重要依据 ]。 是很少有人从足底压力人手来研究帕金森患者行 本文采用的原始数据来源于现有的公共步态 走中的步态特点，更别说通过足底压力信号的特征 压力信号数据，即 physiobank中的GaitinParkin． 值来对健康人和帕金森患者进行分类。实质上足 son’SDisease数据库，选择 Ga组的原始数据作为 底压力信号包含的内容非常丰富，且在某些参数上 研究数据。 帕金森患者和健康人有着明显的差异，将其用在帕 原始数据筛选算法的具体过程如下： 金森病的诊断中将是未来医学发展的趋势之一。 a．搜寻波形的第一零点位置。鉴于原始数据 如何寻找一个好的模式分类器是关键，它对模 的波形起始点未必就是步态周期的起始点，首先检 式识别的准确率有着重要的影响。传统的一些分 测第一个零点出现位置，记为zerol(i)；此处的零 类算法虽然简单，且易于实现，但识别的准确率太 点是指压力值小于设定的less值，在一定程度上滤 低。支持 向量机(SVM)是近年来在统计学理论基 除因测量引起 的误差。 础上发展起来 的一种新 的机器学习方法…，具有 b．搜寻步态周期的起始位置。从第一零点位 理论相对完备、适应性强、全局优化、训练时间短、 置开始，往后搜索第一个非零点位置，此点即为步 泛化性能好等优点，已经成为 目前国内外研究的热 态周期的起始位置，记为 start()。 点，在解决小样本、非线性及高维模式识别问题中 c．搜寻步态周期的结束位置。从 start(i)开 表现出许多特有的优势。 始，往后搜索第一个零点位置，此点即为步态周期 本文重点研究基于支持 向量机的帕金森患者 的结束位置 ，记为 over()。 足底压力信号时空特征的分类器设计，以用来对帕 d．令 zerol(i+1)=over()，重复 a和 b两 金森患者和健康人进行分类。 步，直到原始数据末端。 e．检测波形的最高峰值及其位置。利用 max 1 步态压力信号的处理及特征值的提取 函数找到每个步态周期的最高点位置及其幅值 。 1．1 原始数据的筛选 f．搜索所有的非最高峰值的极大值点及其位 通过健康人和帕金森