首页 > 文献资料
-
基于改进头脑风暴优化算法的隐马尔可夫模型运动识别
目的 克服隐马尔可夫模型(hidden Markov model,HMM)训练过程中易陷入局部优问题,提高基于HMM的人体运动识别准确率.方法 提出一种基于带差分步长的头脑风暴优化(brain storm optimization with differential step,BSO-DS)算法来改进HMM训练过程的方法,进而利用该方法对实际人体运动视频进行运动识别,并将结果与经典的基于Baum-Welch (BW)算法的HMM识别结果进行比较分析.结果 本文所提方法在解决HMM训练问题时,可以得到更大的log-likelihood值,所得到的HMM可以更好地表达训练数据,其运动识别准确率达到92.2%,较BW算法有较大提升.结论 BSO-DS算法可以有效搜索全局优,更好地解决HMM的训练问题,同时提升了运动识别准确率,为人体运动分析提供了新思路.
-
大腿截肢患者的残肢肌电运动识别
目的 研究利用大腿残肢肌电信号进行下肢运动模式识别的方法,探讨肌电信号控制下肢假肢的可能性.方法 采集15名大腿截肢者残肢侧股直肌、股外侧肌、阔筋膜张肌、股二头肌、半腱肌、臀大肌6块肌肉的表面肌电信号,提取肌电信号的6种时域、频域特征,利用支持向量机对平地行走、上楼梯、下楼梯、坐下、起立5种下肢运动模式进行识别.结果 利用残肢肌电信号可以实现5种下肢运动模式的在线识别,对同一受试者同次测试数据识别率为94%,同一受试者的多次混合数据识别率为85%,对不同受试者混合数据识别率为74%.通过特征优化,仅利用3块肌肉的2个特征,对同一受试者的同次测试数据识别率仍可达92%.对平地行走、上楼梯、下楼梯3种动作的识别,同一受试者同次测试数据识别率为100%,同一受试者的多次混合数据识别率为98.33%,对不同受试者混合数据识别率为93.33%.结论 仅仅利用残肢肌电信号能够实现运动意图的在线识别,通过对同一患者使用前的多次数据训练,有望达到较高的识别率.研究结果为肌电运动识别用于下肢假肢控制奠定了基础.
-
运动识别技术在评估早产儿自发性全身运动中的应用
早产是导致高危儿神经发育障碍尤其是发展为脑性瘫痪的重要原因,早期识别可能存在的神经发育损伤对于早期干预、改善早产儿的神经发育结局尤为重要.全身运动(GMs)评估是目前临床用于高危儿神经发育结局尤其是运动发育结局预测的重要工具.运动识别技术运用计算机化的方法,能有效地对相关肢体运动进行持续追踪和客观定量评估;研究者正在广泛探索针对脑瘫高危儿自发性全身运动的不同记录和分析方法.该文对GMs评估方法进行总结,并对通过运动识别技术评估早产儿自发性全身运动的转化研究进行综述.