[發明專利]基于EMD排列組合熵的肌電信號跌倒識別方法

無效

• 申請號: 201310492522.3
• 申請日: 2013-10-17
• 公開（公告）號: CN103610466A
• 公開（公告）日: 2014-03-05
• 發明（設計）人: 席旭剛;朱海港;左靜;高云園;羅志增;張啟忠
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: A61B5/11
• 分類號: A61B5/11;A61B5/0488
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 杜軍

技術領域

本發明屬于模式識別領域，涉及一種肌電信號模式識別方法，特別涉及一種應用于跌倒檢測裝置，基于肌電信號的跌倒識別方法。

背景技術

跌倒(Fall)是指突發、不自主的、非故意的體位改變——倒在地上或更低的平面上。老年人由于其身體機能開始衰退，應變能力降低，急性損傷增多，從而引發的意外跌倒事故也越來越多。據估計，在65歲以上的老年人群中，每年有超過1/3的人都會經歷跌倒，而且比例隨著年齡增長而增加，跌倒是導致老年人傷殘甚至死亡的重要因素，嚴重影響了老年人的身體健康和獨立生活能力，給老年人帶來壓力和恐懼，增加家庭和社會負擔，因而進行跌倒防護和預警的研究具有重要意義，成為了國內外研究的熱點。目前關于跌倒的識別多運用視覺及加速度傳感器、陀螺儀等多種傳感器，觀察形態、加速度、速度、位移以及角度等的變化來辨識人體跌倒姿態，例如Leone?A等采用3D攝像機結合慣性傳感器與手動控制的方法，取得了較好的辨識效果。Bourke?A?K等使用三軸加速度儀放置于受測者的腰部，以速度、沖擊和姿態為分類特征，成功的識別了跌倒。然而運用包含肢體運動信息的表面肌電信號來識別跌倒的研究還比較少。

表面肌電信號(Surface?electromyography，sEMG)是一種典型的生物電現象，是一種非線性、非平穩信號，其中蘊涵著很多與肢體運動相關聯的信息，不同的肢體動作具有不同的肌肉收縮模式，肌電信號特征也將有所差異，通過對這些特征的分析就可以區分肢體的不同動作模式，因此，它被廣泛運用于臨床診斷、運動醫學等領域，因此近年來運用下肢肌電信號進行步態分析的研究也成為了一個熱點。佘青山等采用多尺度分析對下肢sEMG進行消噪處理和特征提取，將特征向量輸入WSVM多類分類器，成功的識別了行走時的支撐前期、支撐中期、支撐末期、擺動前期、擺動末期等5個細分運動模式；孟明等采取股內側肌、長收肌、半腱肌、闊筋膜張肌4塊大腿肌肉信號，提出一種基于隱馬爾可夫模型的分類方法，實現了步態狀態的識別;Bing-Shiang等將肌電電極貼片貼于左右上肢的三角肌、斜方肌，左右下肢的脛前肌、腓腸肌等八處，以日常活動肌電信號的平均最大峰值加上二倍標準差為跌倒閥值，若有三處肌肉達到此閾值就判定為跌倒，識別了跌倒。這些方法都很好的證明肌電信號包含最直接反映肢體運動的信息，運用肌電信號來識別出跌倒將會有獨特優勢，但基于肌電信號的跌倒辨識研究還處于起步階段，因此本發明對跌倒時的肌電信號進行了研究，提出了一種基于表面肌電信號的跌倒識別方法。

發明內容

為實現跌倒檢測裝置中對跌倒模式的正確識別，本發明提出了一種基于經驗模態分解(Empirical?mode?decomposition,EMD)與排列組合熵相結合的特征提取方法—EMD排列組合熵來識別跌倒，首先將sEMG信號進行經驗模態分解，選取若干個包含肌電信號有效信息的固有模態函數(Intrinsic?Mode?Function，IMF)分量求和作為有效肌電信號，求取其排列組合熵，然后將排列組合熵作為特征向量，運用主軸核聚類分類器成功的區分了向前跌倒、蹲下、站起和平地行走四類動作。

為了實現以上目的，本發明方法主要包括以下步驟：

步驟(1).獲取人體下肢肌電信號樣本數據，具體是：首先通過肌電信號采集儀拾取大腿上最具代表性的脛骨前肌和股直肌上的肌電信號，再運用能量閾值確定肌電信號的動作信號。

步驟(2).對步驟(1)獲取的肌電信號進行經驗模態分解，將其分解為多個平穩的固有模態函數，再依據頻率有效度的方法選取若干個包含肌電信號有效信息的IMF分量進行迭加作為肌電信號。

所述經驗模態分解，具體算法如下：

經驗模態分解是一種新出現的信號分析方法，它將信號自適應地分解到不同的尺度上，非常適合非線性、非平穩信號的處理，不僅具有小波分析的全部優點，還有更清晰準確的譜結構，因而引起了信號處理相關領域的極大興趣，并廣泛應用于工程領域。它基于一個基本的假設條件，即所要分析的信號是由許多不同的固有模態函數相互疊加而成。不同時間尺度的各種模式將會根據其自身的特征尺度進行分解，分解后的每種模式是相互獨立的，在連續的過零點間不存在其他極值點。所以每一個IMF都要滿足以下兩個判斷條件：整組IMF數據中極值點和過零點的數目相等或最多相差1；信號的局部極大值包絡線和局部極小值包絡線的均值為0。根據這兩個條件對信號不斷的“篩選”，可以將任意非線性、非平穩信號自適應的分為若干個不同的內蘊模式函數(IMF)和一個剩余分量。