王旭堯，徐永紅

（燕山大學(xué)生物醫(yī)學(xué)工程研究所，河北秦皇島066004）

基于改進(jìn)多元多尺度熵的人體步態(tài)加速度信號(hào)分類*

王旭堯，徐永紅*

（燕山大學(xué)生物醫(yī)學(xué)工程研究所，河北秦皇島066004）

傳統(tǒng)多元多尺度熵算法在處理有限長時(shí)間序列時(shí)，會(huì)使均值曲線產(chǎn)生較大的波動(dòng)，并且閾值的選取也會(huì)對(duì)結(jié)果產(chǎn)生較大的影響。因此，在傳統(tǒng)多元多尺度熵的基礎(chǔ)上首先對(duì)傳統(tǒng)粗?；绞竭M(jìn)行了改進(jìn)，改進(jìn)后的算法采用滑動(dòng)均值濾波使粗?；蟾鞒叨壬系臅r(shí)間序列與原始時(shí)間序列長度一致，減小了所計(jì)算多元多尺度熵的離散性。此外，本文算法在保持多元樣本熵硬閾值優(yōu)點(diǎn)的同時(shí)，通過定義模糊隸屬度函數(shù)來統(tǒng)計(jì)兩復(fù)合延遲矢量距離略大于閾值的情況，既降低了傳統(tǒng)方法對(duì)閾值的依賴性，也很好的解決了傳統(tǒng)閾值所導(dǎo)致的不穩(wěn)定現(xiàn)象。最后用仿真數(shù)據(jù)對(duì)該算法進(jìn)行了驗(yàn)證，并將其應(yīng)用于不同人體步態(tài)加速度信號(hào)的復(fù)雜度評(píng)價(jià)和分類，結(jié)果表明改進(jìn)算法的識(shí)別效果明顯優(yōu)于傳統(tǒng)多元多尺度熵。

步態(tài)分類；加速度信號(hào)；改進(jìn)多元多尺度熵；傳統(tǒng)多元多尺度熵

EEACC：7230doi：10.3969/j.issn.1004-1699.2015.12.013

人體生理信號(hào)蘊(yùn)含著大量能夠反映人體健康狀況、精神狀態(tài)的有用信息。目前，人體生理信號(hào)的分析、處理已成為臨床醫(yī)學(xué)、康復(fù)醫(yī)療的一個(gè)重要研究領(lǐng)域。步態(tài)作為人體生理信號(hào)中具有特異性的一種指人在行走時(shí)的姿態(tài)，是由人體上百種骨骼、肌肉共同作用的結(jié)果［1］。就不同的個(gè)體而言，由于存在性別、身高、體重等差異，因此其步態(tài)也不盡相同。而對(duì)于同一個(gè)人來說，其年齡變化、身體健康程度、精神狀態(tài)的改變，對(duì)步態(tài)也會(huì)有不同程度的影響［2］。加速度作為人體步態(tài)動(dòng)力學(xué)中的重要參數(shù)，包含了大量人體步態(tài)中有價(jià)值的信息。因此，研究人體步態(tài)加速度數(shù)據(jù)，對(duì)人體的行為進(jìn)行識(shí)別，可為病人的監(jiān)護(hù)［3］、運(yùn)動(dòng)員輔助訓(xùn)練［4］提供有力的工具。

目前，大多數(shù)人體行為識(shí)別的方法都是針對(duì)于圖像的，而在人體運(yùn)動(dòng)環(huán)境下拍攝的圖像要受到光照、分辨率、影子等多方便因素的影響，會(huì)給基于圖像的行為檢測(cè)和表征帶來很大的困難［5］。采用人體步態(tài)加速度數(shù)據(jù)對(duì)人體行為進(jìn)行識(shí)別的方法具有受環(huán)境影響小、不受距離限制等優(yōu)點(diǎn)。起初，Heikki Ailisto［6］等提出一種利用加速度傳感器來采集人體步態(tài)數(shù)據(jù)的新方法，該方法降低了數(shù)據(jù)處理難度，避免了動(dòng)態(tài)情況下多種因素對(duì)捕捉圖像的不利影響，為步態(tài)特征的獲取開辟了一條新途徑。隨著慣性技術(shù)（MEMS）的迅猛發(fā)展，利用人體步態(tài)加速度對(duì)人體行為進(jìn)行識(shí)別逐漸成為許多專家和學(xué)者關(guān)注的熱點(diǎn)。劉曉婷［7］等人運(yùn)用加速度傳感器采集了幾種人體日常生活步行姿態(tài)，并利用將小波變換與多尺度熵結(jié)合對(duì)健康人群不同行為的加速度信號(hào)進(jìn)行特征值提取，為進(jìn)一步研究人體加速度信息和行為信息提出了一種可行的有效的分析方法。Maquire D［8］等人通過固定于大腿處的三軸加速度傳感器實(shí)時(shí)采集人體不同行為下的加速度數(shù)據(jù)，用窗函數(shù)法提取出加速度數(shù)據(jù)中的平均值，標(biāo)準(zhǔn)偏差作為特征送入到KNN分類器中進(jìn)行分類，最終獲得了90.07%的識(shí)別率。He Zhenyu［9］通過對(duì)人體不同行為加速度數(shù)據(jù)的研究，提出一種基于AR模型的特征提取方法，用該方法從加速度數(shù)據(jù)提取出的平均值、標(biāo)準(zhǔn)偏差送入到SVM分類器中進(jìn)行分類，最終識(shí)別率達(dá)到了92.25%。徐川龍［10］等提出了一種基于單個(gè)三軸加速度計(jì)的人體行為及特征提取方法，該方法通過提取人體正常行走、上樓、下樓的步態(tài)的多種統(tǒng)計(jì)特征，并將提取后的特征送入到SVM分類器中進(jìn)行分類，獲得了95%的識(shí)別率。以上三種方法只利用某種特定的分類器對(duì)人體行為加速度數(shù)據(jù)進(jìn)行分類，對(duì)于其他分類器的分類效果并未做深入研究。

近年來，在多元多尺度樣本熵的相關(guān)研究中，文獻(xiàn)［11］將其應(yīng)用于心電信號(hào)，有效的揭示了多通道心電信號(hào)的長時(shí)相關(guān)性。由于該算法計(jì)算復(fù)雜度較高，數(shù)據(jù)量較大，會(huì)造成系統(tǒng)內(nèi)存溢出。崔杰［12］等對(duì)多元多尺度樣本熵算法進(jìn)行了改進(jìn)，并成功將該算法應(yīng)用到癲癇腦電信號(hào)的分類當(dāng)中。但此方法的結(jié)果很大程度上依賴于小波基的選取，且統(tǒng)計(jì)穩(wěn)定性較差。人體步態(tài)信號(hào)、心電信號(hào)和癲癇腦電信號(hào)同屬人體生理信號(hào)中的低頻信號(hào)，與生理系統(tǒng)本身的自組織性密切相關(guān)。生理系統(tǒng)的自組織性使人體步態(tài)信號(hào)表現(xiàn)出自相似和長時(shí)相關(guān)性，這一點(diǎn)與癲癇腦電信號(hào)、心電信號(hào)相同。因此，本文在文獻(xiàn)［12］的基礎(chǔ)上進(jìn)行了改進(jìn)，提出改進(jìn)多元多尺度熵算法，并將該算法應(yīng)用于上、下樓步態(tài)和正常步態(tài)的復(fù)雜度區(qū)分領(lǐng)域。實(shí)驗(yàn)提取三種狀態(tài)下的三軸加速度數(shù)據(jù)代表三通道的原始加速度時(shí)間序列，分別利用改進(jìn)多元多尺度熵和傳統(tǒng)多元多尺度熵算法求出各時(shí)間序列在不同尺度下的均值和方差，對(duì)其分析和對(duì)比。選取兩種算法復(fù)雜度區(qū)分較好的尺度為特征送入到不同的分類器中進(jìn)行分類，并對(duì)分類結(jié)果進(jìn)行了比較。

1　算法描述

1.1改進(jìn)多元多尺度熵

改進(jìn)多元多尺度熵由改進(jìn)粗?；透倪M(jìn)樣本熵兩部分組成。

1.1.1改進(jìn)粗?；?/p>

為了引出改進(jìn)粗粒化算法，這里首先介紹一下傳統(tǒng)粗粒化方法。定義p個(gè)變量的時(shí)間序列，在各尺度上對(duì)原始時(shí)間序列進(jìn)行粗?；?，粗粒化后的時(shí)間序列為：

以尺度3為例，傳統(tǒng)粗粒化過程如圖1所示。

圖1　R傳統(tǒng)粗?；^程

從圖1可以看出，傳統(tǒng)粗?；菍⒃紩r(shí)間序列按尺度因子依次進(jìn)行壓縮，當(dāng)原始時(shí)間序列數(shù)據(jù)長度為有限長時(shí)，隨著尺度的增加，粗?；蟮臅r(shí)間序列長度不斷減小，并且當(dāng)原始數(shù)據(jù)長度不是尺度因子的整數(shù)倍時(shí)，將會(huì)造成部分?jǐn)?shù)據(jù)的丟失。以上因素必然會(huì)影響多元多尺度熵算法的計(jì)算精度。針對(duì)上述缺點(diǎn)，本文提出改進(jìn)粗?；惴?，在各尺度上采用滑動(dòng)平均的方法對(duì)原始時(shí)間序列進(jìn)行粗粒化，既保證了各尺度上粗粒化后的時(shí)間序列與原始時(shí)間序列長度一致，同時(shí)也避免了數(shù)據(jù)丟失的產(chǎn)生，大大提高了后續(xù)算法的準(zhǔn)確性。具體過程如圖2所示。

圖2　R改進(jìn)粗?；^程

1.1.2改進(jìn)樣本熵

改進(jìn)樣本熵算法具體可分為如下幾個(gè)步驟：

①定義物理模糊隸屬度函數(shù)為：令域X表示一個(gè)距離集合，對(duì)?x∈X且x≥0，?K（x）∈［0,1］，稱K（x）為域X上的隸屬度函數(shù)，即：

②求其中任意兩個(gè)復(fù)合延遲矢量的契比雪夫距離，即：

④將復(fù)合延遲矢量Ym（i）中的所有向量都嵌入m+1維［10］，得到N-n個(gè)復(fù)合延遲矢量Ym+1（i）。針對(duì)Ym+1（i）重復(fù)上述步驟，得到嵌入維度為m+1時(shí)的條件概率Lm+1（r）：

⑤計(jì)算兩條件概率的比值的負(fù)自然對(duì)數(shù)，即求得多元多尺度模糊熵的值：

圖3　R傳統(tǒng)閾值（硬閾值）與改進(jìn)閾值（軟閾值）對(duì)比

2　算法驗(yàn)證與分析

2.1仿真實(shí)驗(yàn)分析

由文獻(xiàn)［13］可知，對(duì)于不相關(guān)的白噪聲而言，復(fù)雜度隨尺度的增加而降低，而對(duì)于遠(yuǎn)程相關(guān)的1/f噪聲來說，其復(fù)雜度隨著尺度的增加有緩慢下降的趨勢(shì)；在各尺度上，1/f噪聲的復(fù)雜度皆大于白噪聲的復(fù)雜度?；谏鲜鼋Y(jié)論，本文分別選取500、1 000、1 500個(gè)采樣點(diǎn)的隨機(jī)白噪聲和1/f噪聲對(duì)傳統(tǒng)粗?；嘣獦颖眷睾透倪M(jìn)粗粒化多元樣本熵進(jìn)行對(duì)比，其中多元樣本熵所用參數(shù)為：尺度因子∈= 1～20，嵌入維度M=2，延遲矢量tau=1，相似容限r(nóng)= 0.2×std（std表示歸一化時(shí)間序列的標(biāo)準(zhǔn)偏差）。從圖4中可以看出，隨機(jī)白噪聲隨著尺度的增加，復(fù)雜度逐漸降低，而1/f噪聲具有遠(yuǎn)程相關(guān)性，隨著尺度的增加，其復(fù)雜度緩慢下降逐漸趨于平穩(wěn)，各尺度上1/f噪聲復(fù)雜度均大于隨機(jī)噪聲的復(fù)雜度，這與文獻(xiàn)中的結(jié)論相一致。當(dāng)采樣點(diǎn)為500點(diǎn)時(shí)觀察圖a、圖b可知：在1/f噪聲、隨機(jī)白噪聲復(fù)雜度的區(qū)分效果上，傳統(tǒng)粗粒化后的多元樣本熵，在各尺度上由隨機(jī)誤差所引起的均值曲線波動(dòng)較大，且隨著尺度的增加方差越來越大。改進(jìn)粗粒化后的多元樣本熵，各尺度上由隨機(jī)誤差所引起的均值曲線波動(dòng)較小，曲線較為平滑，方差變化較小。對(duì)比圖c和圖e，對(duì)于遠(yuǎn)程相關(guān)的1/f噪聲來說，當(dāng)采樣點(diǎn)從1 000點(diǎn)增加到1 500點(diǎn)時(shí)，傳統(tǒng)粗?；蟮臄?shù)據(jù)在各尺度上均值曲線波動(dòng)逐漸減小，方差也逐漸變??；而改進(jìn)粗?；蟮臄?shù)據(jù)在各尺度上均值曲線依然平滑、方差變化也不大。當(dāng)采樣點(diǎn)為1 500點(diǎn)時(shí)，傳統(tǒng)粗?；c改進(jìn)粗?；男Ч容^接近。在隨機(jī)白噪聲復(fù)雜度的區(qū)分上，對(duì)比圖d和圖f，當(dāng)采樣點(diǎn)為1 000點(diǎn)時(shí)傳統(tǒng)粗?；c改進(jìn)粗?；诟鞒叨壬暇捣植枷嘁恢拢倪M(jìn)粗?；讲钜∮趥鹘y(tǒng)粗?；讲睿?dāng)采樣點(diǎn)增加到1 500點(diǎn)時(shí)，傳統(tǒng)粗粒化均值方差曲線與改進(jìn)粗?；捣讲钋€趨近于重合。由此可見，當(dāng)樣本的數(shù)據(jù)長度較短時(shí)，采用改進(jìn)粗?；惴ǖ男Ч黠@優(yōu)于傳統(tǒng)粗?；惴?。

圖4　R改進(jìn)粗?；c傳統(tǒng)粗粒化結(jié)果對(duì)比

為了進(jìn)一步證明改進(jìn)樣本熵的優(yōu)點(diǎn)，實(shí)驗(yàn)生成4個(gè)三通道的時(shí)間序列信號(hào)，分別為：3個(gè)通道的1/f噪聲；兩個(gè)通道的1/f噪聲和1個(gè)通道的隨機(jī)白噪聲；1個(gè)通道的1/f噪聲和另外兩個(gè)通道的隨機(jī)白噪聲；3個(gè)通道都為隨機(jī)白噪聲。其中粗粒化方式都采取傳統(tǒng)粗?；绞剑腋倪M(jìn)樣本熵與傳統(tǒng)樣本熵所用參數(shù)皆為M=2，tau=1，r=0.2×std。傳統(tǒng)粗粒化改進(jìn)樣本熵、傳統(tǒng)多元多尺度樣本熵特征提取結(jié)果如圖5、圖6所示。從圖5與圖6中都可以看出：隨著尺度的增加，4個(gè)三通道時(shí)間序列復(fù)雜度都有下降的趨勢(shì)，各尺度上，三通道皆為不相關(guān)隨機(jī)白噪聲的復(fù)雜度最低，隨著1/f噪聲通道數(shù)的增加，復(fù)雜度逐漸升高，當(dāng)三通道皆為1/f噪聲時(shí)復(fù)雜度達(dá)到最高。在圖5中：各時(shí)間序列在采用傳統(tǒng)多元多尺度樣本熵特征提取后，在尺度1～尺度4上，通道中含有遠(yuǎn)程相關(guān)1/f噪聲的方差曲線都有不同程度的交疊，隨著尺度的增加，三通道1/f噪聲與兩通道1/f噪聲（另一個(gè)通道為隨機(jī)白噪聲）之間的方差曲線仍未完全分開，區(qū)分性很差。從圖6可以看出：在傳統(tǒng)粗?；倪M(jìn)樣本熵特征提取后，所有尺度上方差曲線皆較小，從尺度3開始各通道時(shí)間序列的方差曲線均無交疊，隨著尺度的的增加，各時(shí)間序列復(fù)雜度的區(qū)分效果越來越明顯。因此，在1/f噪聲與隨機(jī)白噪聲復(fù)雜度的區(qū)分效果上，改進(jìn)樣本熵要優(yōu)于多傳統(tǒng)樣本熵。

圖5　R三通道（白噪聲、1/f噪聲）傳統(tǒng)多元多尺度樣本熵分析

圖6　R三通道（白噪聲、1/f噪聲）傳統(tǒng)粗粒化改進(jìn)樣本熵分析

2.2人體步態(tài)加速度數(shù)據(jù)的復(fù)雜度分析

實(shí)驗(yàn)采用國外公開數(shù)據(jù)庫（http：//www.ess. tu-darmstadt.de/datasets）中的人體步態(tài)數(shù)據(jù)。實(shí)驗(yàn)對(duì)象為5名健康男性，年齡在24歲～31歲之間。實(shí)驗(yàn)采集過程為：首先將三軸加速度傳感器綁于各實(shí)驗(yàn)對(duì)象右腿膝蓋上部，要求每一個(gè)受試者在計(jì)算機(jī)科學(xué)大樓內(nèi)分別按正常行走、上樓、下樓的順序進(jìn)行運(yùn)動(dòng)，各受試者在運(yùn)動(dòng)的過程中，傳感器以250 Hz的采樣頻率實(shí)時(shí)采集實(shí)驗(yàn)對(duì)象在當(dāng)前狀態(tài)下的步態(tài)加速度數(shù)據(jù)，最終傳感器采集到的數(shù)據(jù)被記錄于戴在受試者臀部的微處理器內(nèi)。其中，各實(shí)驗(yàn)對(duì)象的每種運(yùn)動(dòng)狀態(tài)重復(fù)采集5次，每次持續(xù)時(shí)間為25 min。為了消除偶然性，一周之后，要求其中三名實(shí)驗(yàn)對(duì)象重復(fù)上述實(shí)驗(yàn)，并將實(shí)驗(yàn)結(jié)果記錄下來。分別選取上正常行走、上樓、下樓步態(tài)中前4 000個(gè)采樣點(diǎn)的Z軸加速度數(shù)據(jù)，其波形如圖7所示。

圖7　R正常步態(tài)、上樓、下樓步態(tài)的原始加速度波形曲線

從圖7中可以看出：各采樣點(diǎn)處，正常步態(tài)、上樓、下樓步態(tài)皆呈現(xiàn)出明顯的周期性；對(duì)比三種狀態(tài)下的加速度曲線可以發(fā)現(xiàn)，正常步態(tài)和上樓步態(tài)的加速度曲線波動(dòng)較小，幅值較為接近；而下樓步態(tài)的加速度曲線波動(dòng)幅度較大，其幅值范圍也比正常步態(tài)和上樓步態(tài)的范圍要寬。

實(shí)驗(yàn)首先提取數(shù)據(jù)庫中正常步態(tài)、上樓步態(tài)和下樓步態(tài)的三軸加速度數(shù)據(jù)，分別代表三個(gè)通道的原始步態(tài)加速度時(shí)間序列。為了簡化運(yùn)算，實(shí)驗(yàn)對(duì)三通道加速度數(shù)據(jù)依次進(jìn)行了歸一化處理，保證各通道數(shù)據(jù)的幅值在0～1范圍內(nèi)。歸一化后的三通道加速度時(shí)間序列按尺度因子進(jìn)行粗粒化，粗粒化采用滑動(dòng)窗口的方式，使各尺度上數(shù)據(jù)的長度為原始時(shí)間序列（ω為尺度因子）。粗粒化后的時(shí)間序列用傳統(tǒng)多元樣本熵進(jìn)行特征提取，其中多元樣本熵所選參數(shù)為：尺度因子ω=1～10，嵌入維度m=2，延遲矢量tau=1，相似容限r(nóng)=0.2×std（std表示歸一化時(shí)間序列的標(biāo)準(zhǔn)差）。傳統(tǒng)多元多尺度熵特征提取結(jié)果如圖8所示。

圖8　R傳統(tǒng)多元多尺度熵特征提取圖

由圖8可以看出：各尺度上正常步態(tài)、上樓步態(tài)、下樓步態(tài)的均值曲線波動(dòng)較大，從尺度1開始下樓步態(tài)和其余兩數(shù)據(jù)集的均值相距較遠(yuǎn)，方差曲線無交叉重疊，且隨著尺度的增加區(qū)分程度有逐漸增加的趨勢(shì)。從總體上看，下樓步態(tài)的復(fù)雜度大于正常步態(tài)、上樓步態(tài)的復(fù)雜度；而在對(duì)正常步態(tài)和上樓步態(tài)的復(fù)雜度區(qū)分方面，兩數(shù)據(jù)集在低尺度上均值相距很近，方差曲線有不同程度的交疊；隨著尺度的增加兩數(shù)據(jù)集均值逐漸發(fā)生重合，同時(shí)其方差曲線的交疊部分也逐漸增大，在尺度5～尺度10之間，兩數(shù)據(jù)集的均值、方差曲線已完全交疊，無法對(duì)兩數(shù)據(jù)集的復(fù)雜度進(jìn)行區(qū)分。

為了證明本文算法的優(yōu)點(diǎn)，實(shí)驗(yàn)運(yùn)用改進(jìn)多元多尺度熵對(duì)三種狀態(tài)下步態(tài)加速度信號(hào)的復(fù)雜度進(jìn)行了區(qū)分，將三通道中的原始加速度時(shí)間序列進(jìn)行歸一化處理后，用改進(jìn)粗?；惴▽?duì)歸一化后的三通道步態(tài)加速度時(shí)間序列進(jìn)行粗?；撍惴ú捎没瑒?dòng)均值濾波的方法使各尺度上粗粒化后的時(shí)間序列與原始步態(tài)時(shí)間序列長度保持一致。并利用改進(jìn)樣本熵對(duì)粗?；蟮臅r(shí)間序列進(jìn)行特征提取。其中，改進(jìn)多元多尺度熵所用參數(shù)與傳統(tǒng)多元多尺度熵所用參數(shù)一致。改進(jìn)多元多尺度熵特征提取效果如圖9所示。

圖9　R改進(jìn)多元多尺度熵特征提取圖

從圖9中可以發(fā)現(xiàn)：用本文算法對(duì)三數(shù)據(jù)集進(jìn)行特征提取后，各尺度上各數(shù)據(jù)集均值波動(dòng)較小，曲線更加平滑；從尺度1開始，下樓步態(tài)與其余兩數(shù)據(jù)集的均值相距較遠(yuǎn)，方差曲線無交叉重疊，且隨著尺度的增加區(qū)分程度越來越大。而在對(duì)正常步態(tài)和上樓步態(tài)的復(fù)雜度區(qū)分方面，在低尺度上，兩數(shù)據(jù)集的均值和方差曲線雖完全交疊，但隨著尺度的增加，兩數(shù)據(jù)集均值相距逐漸增大，方差曲線交疊程度明顯減小。從整體上能夠看出，隨著尺度的增大，上樓步態(tài)的復(fù)雜度明顯增大；正常步態(tài)的復(fù)雜度緩慢增大，逐漸趨于平穩(wěn)；而上樓步態(tài)的復(fù)雜度有緩慢下降的趨勢(shì)。因此可以得出：下樓步態(tài)的復(fù)雜程度最高，正常步態(tài)的復(fù)雜度次之，上樓步態(tài)的復(fù)雜度最低。由此可知，改進(jìn)多元多尺度熵特的征提取結(jié)果要優(yōu)于傳統(tǒng)多元多尺度熵。

選取尺度9和尺度10為特征，兩數(shù)據(jù)集特征提取后的散點(diǎn)圖如圖10所示：從圖10中可以看出，下樓步態(tài)與其余兩類數(shù)據(jù)分布較遠(yuǎn)，區(qū)分性非常顯著；上樓步態(tài)與正常步態(tài)雖有部分交疊，但正常步態(tài)的復(fù)雜度主要分布在圖的中間位置，而上樓步態(tài)的復(fù)雜度集中在圖的下方，因此可以判定，下樓步態(tài)的復(fù)雜度高于正常步態(tài)的復(fù)雜度，而上樓步態(tài)的復(fù)雜度最低。

圖10　R三數(shù)據(jù)集在尺度9、尺度10上的改進(jìn)多元多尺度熵散點(diǎn)圖

在實(shí)驗(yàn)環(huán)境為Ineter（R）Pentium（R）CPU，2.0 G主頻，2.0 GB內(nèi)存，Matlab-2012a的前提下，選取兩種算法特征提取后區(qū)分效果較好的相同尺度為特征，組成相應(yīng)的特征向量。

將特征向量進(jìn)行歸一化處理，量化后的數(shù)據(jù)采用留一法分別送入到BP神經(jīng)網(wǎng)絡(luò)分類器，概率神經(jīng)網(wǎng)絡(luò)（PNN）分類器、線性判別（LDA）分類器及支持向量機(jī)（SVM）分類器中進(jìn)行交叉驗(yàn)證。其中，BP神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)訓(xùn)練所采用的參數(shù)為：訓(xùn)練終止目標(biāo)0.000 000 4，學(xué)習(xí)率為0.01，最大循環(huán)次數(shù)1 000次；概率神經(jīng)網(wǎng)絡(luò)（PNN）擴(kuò)展速度為1.5；SVM分類器采用RBF徑向基核函數(shù)，懲罰因子C= 1；最后將測(cè)試集送到訓(xùn)練好的各分類器中進(jìn)行測(cè)試，分類結(jié)果如表1所示。

表1　R三數(shù)據(jù)集在不同分類器上的識(shí)別率

由表1可以得知：本文算法的識(shí)別率皆高于傳統(tǒng)多元多尺度樣本熵，且最大識(shí)別率達(dá)到了96.5%。將本文算法的最高識(shí)別率與目前國際上針對(duì)人體正常步態(tài)、上樓、下樓步態(tài)數(shù)據(jù)的最高分類精度進(jìn)行對(duì)比，本文算法體現(xiàn)出明顯的優(yōu)越性。其中文獻(xiàn)［14］首先利用三軸加速度傳感器采集到了正常行走、上樓、下樓三種狀態(tài)下的加速度信號(hào)，對(duì)采集到的信號(hào)進(jìn)行小波分解，提取能量特征和樣本熵特征，并將提取后的特征參數(shù)送到貝葉斯分類器和決策樹分類器中進(jìn)行分類識(shí)別。具體結(jié)果如表2所示。

表2　R不同特征提取和分類方法正確率對(duì)比

3　結(jié)論

本文在傳統(tǒng)多元多尺度熵的基礎(chǔ)上進(jìn)行了改進(jìn)，提出一種改進(jìn)多元多尺度熵算法。該算法對(duì)傳統(tǒng)粗?；椒ㄟM(jìn)行了改進(jìn)，改進(jìn)粗?；捎没瑒?dòng)均值濾波的形式使各尺度上粗粒化后的數(shù)據(jù)長度與原始時(shí)間序列長度保持一致，減少了隨機(jī)誤差，增加了后續(xù)算法的準(zhǔn)確性。此外，通過定義模糊隸屬函數(shù)降低了傳統(tǒng)樣本熵中對(duì)閾值的依賴性，消除了傳統(tǒng)方法中存在的不穩(wěn)定現(xiàn)象。

文中通過數(shù)據(jù)實(shí)驗(yàn)證明了改進(jìn)多元多尺度熵對(duì)正常步態(tài)、上樓、下樓步態(tài)復(fù)雜度的區(qū)分效果要優(yōu)于傳統(tǒng)多元多尺度熵，同時(shí)說明該算法只需要較少的數(shù)據(jù)就能對(duì)各數(shù)據(jù)集的復(fù)雜度進(jìn)行很好的區(qū)分。因此，此方法可為人體行為的識(shí)別、患者的康復(fù)治療提供重要的依據(jù)。本文只將改進(jìn)多元多尺度熵應(yīng)用于對(duì)正常步態(tài)、上樓、下樓步態(tài)三種行為的識(shí)別，如何用該算法對(duì)其他多種人體行為進(jìn)行識(shí)別，是本文需要進(jìn)行的下一步工作。

［1］趙凌燕，張立勛，張今瑜，等.人體步態(tài)運(yùn)動(dòng)學(xué)研究方法進(jìn)展綜述［J］.測(cè)控技術(shù)，2007，26（12）：1-3.

［2］郭忠武，王廣志，高敬，等.正常青年人步態(tài)運(yùn)動(dòng)學(xué)參數(shù)的研究［J］.中國康復(fù)理論與實(shí)踐，2002，8（9）：533-536.

［3］萇飛霸，尹軍，張和華.一種基于智能終端的人體心電信號(hào)監(jiān)護(hù)系統(tǒng)設(shè)計(jì)［J］.傳感技術(shù)學(xué)報(bào)，2014，27（3）：289-292.

［4］錢朋安，吳仲城，葛運(yùn)建.體育訓(xùn)練用加速度測(cè)量裝置的研究［J］.傳感技術(shù)學(xué)報(bào)，2003，16（1）：13-15.

［5］盧先領(lǐng)，王洪斌，王瑩瑩.加速度數(shù)據(jù)特征在人體行為識(shí)別中的應(yīng)用研究［J］.計(jì)算機(jī)工程，2014，40（5）：178-182.

［6］Heikki Ailisto，Mikko Lindbolm，et al.Indentifuing People from Gait Pattern with Accelerometers［C］//Proceeding of SPIE volume 5779 Biometric Technology for Human Identification II.Bellingham，2005：714.

［7］劉曉婷，曹玉珍.基于加速度的人體步態(tài)信息多尺度熵研究［D］.天津：天津大學(xué)，2008：19-30.

［8］Maquire D，F(xiàn)risby R.Comparison of Feature Classification Algorithm for Activity Recognition Based on Accelerometer and Heart Rate Data［C］//Proc of the 9 th IT&T Conference.Dubin，Ireland-Dublin Instetute of Technology Press，2009：22-23.

［9］He Zhenyu，Jin Lianwen.Activity Recognition from Acceleration Data Using AR Model Representation and SVM［C］//Proc of International Conference on Machine Learning and Cybemetics，IEEE Press，2008：2245-2250.

［10］徐川龍，顧勤龍，姚明海.一種基于三維加速度傳感器的人體行為識(shí)別方法［J］.計(jì)算機(jī)系統(tǒng)應(yīng)用，2013，22（6）：132-135.

［11］Acharya U，Molinari F，Sree S，et al.Automated Diagnosis of Epileptic EEG Using Entropies［J］.Biomedical Signal Processing and Control，2012，7（1）：401-408.

［12］徐永紅，崔杰，洪文學(xué)，等.基于改進(jìn)多元多尺度熵的癲癇腦電信號(hào)的自動(dòng)分類［J］.生物醫(yī)學(xué)工程雜志，2015，32（2）：256-262.

［13］Costa M，Peng C K，Goldberger A L，et al.Multiscale Entropy Analysis of Human Gait Dynamics［J］.Physica A.2003，330（1）：53-60.

［14］邢秀玉，劉鴻宇，黃武.基于加速度的小波能量特征及樣本熵組合的步態(tài)分類算法［J］.傳感技術(shù)學(xué)報(bào)，2013，26（4）：547-549.

Human Gait Acceleration Signal Classification Based on Improved Multiple Multiscale Entropy*

WANG Xuyao，XU Yonghong
（Institute of Biomedical Engineering，Yanshan University，Qinhuangdao Hebei 066004，China）

Traditional Multiple multiscale entropy algorithm at moment of dealing with time series of limited length，would led to curve fluctuations larger and threshold selection will also have a greater impact on the results.Therefore，on the basis of traditional Multiple multiscale entropy，firstly this paper improved the way of traditional coarsegrained process，the method improved coarse-grained way of traditional multiple multiscale sample entropy by sliding mean filter so that coarse-grained time series equal to the length of original time series on each scale，reduce the compute discreteness of multivariate multiscale entropy.In addition，algorithm both maintain the advantage of hard threshold of multiple multiscale sample entroy and count the distance of two composite delay vector slightly greater than the threshold value by defining fuzzy membership function，not only reducing the dependence of the threshold of multiple multiscale sample entropy，but also solving the instability caused by the traditional threshold.Finally，the algorithm was validated in the emulated data，and applied it to different human gait acceleration signal complexity evaluation and classification.The results show that improved multiple multiscale entropy recognition is better than traditional multivariate multiscale entropy.

gait classification；acceleration signal；Improved multiple multiscale entropy；Traditional multiple multiscale entropy；

王旭堯（1991-），男，黑龍江雙鴨山人，燕山大學(xué)碩士研究生，研究方向?yàn)樾盘?hào)處理，模式識(shí)別；

徐永紅（1975-），四川樂山人，燕山大學(xué)教授，碩士生導(dǎo)師，主要研究方向?yàn)閳D像處理，信號(hào)處理，可視化模式識(shí)別。

TP212.3；TP212.9

A

1004-1699（2015）12-1805-07*

項(xiàng)目來源：國家自然科學(xué)基金項(xiàng)目（60873121）

2015-07-19修改日期：2015-09-13