改进经验模态分解与谱峭度法的步态信号特征分析

通过对步态信号进行分析,提出基于能量矩占比与方差贡献率的改进经验模态分解和谱峭度法的步态信号特征频率分析方法.改进的经验模态分解消除了传统分解过程中存在的低频虚假本征模态分量,抑制了高频噪声的干扰.通过确定谱峭度图上的中心频率和带宽构造带通滤波器对信号进行包络解调分析,并通过实验验证了该方法能有效提取步态信号的特征频率,为步态信号的后期研究提供一条新的思路.

基于SVM的步态信号模式分类研究

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。

基于MEMS的步态信号采集实验教学装置

本文设计了一个stm32平台下的微电子机械系统(MEMS)传感器步态信号采集实验教学装置,通过软件滤波与仪器标定的方法消除了该装置的测量误差。对8例志愿者步态信号分析得到对比滤波前后步态信号角度、角速度及角加速度的均方根误差,它们分别降到0.5o、0.02o/s、0.006o/s2以内,信噪比分别提高到44dB、55dB、5.9dB以上。该装置具有一定的通用性与可扩展性,为创新实验课程建设做出了积极的探索与实践。

基于LMCD的步态信号复杂度分析

目的步态信号的研究是现今生物医学研究的重点。对不同步态信号的分析,有助于进行临床诊断和医学研究。方法采用Lopez-Mancini-Calbet Divergence(LMCD)的复杂度分析方法,对老年人、年轻人和帕金森患者各10例的步态信号分别计算复杂度,并对实验数据进行方差分析。结果 3种步态信号的复杂度差异显著性,年轻人的步态信号复杂度最大,老年人次之,帕金森患者的复杂度最小。结论基于LMCD的步态信号复杂度分析可以得出人的步态信号随机性的强弱。

人体步态雷达信号时频分析方法研究

人体行走步态是一类重要的生物特征,通过分析连续波雷达采集的人体反射回波信号可以获取行走步态的关键特征。提出了人体行走步态特征信号模型,在构建连续波步态试验雷达的基础上,应用时频分析方法对采集的步态样本信号进行了分析,重点讨论了多分量非稳态信号的时频分析方法,对比了短时傅里叶分析、WIGNER-VILLE分布、伪平滑WVD分布及其进一步改进方法在分析步态回波信号中的应用,通过仿真和对实际数据进行分析,可以看出基于伪平滑再分配的WVD方法具有较好的步态信号分辨率,为进一步的特征提取打下基础。

跺脚-走路-摔倒步态时小腿角加速度信号的希尔伯特谱分析

目的:解决运动信号因非平稳性而难以提取特征的难题。方法:以人体小腿角加速度信号为例,用希尔伯特-黄变换对其进行时频分析,即先对信号进行经验模态分解得到多个特征模态函数,再对全部或多个特征模态函数进行希尔伯特变换得到该信号的希尔伯特谱。结果:在跺脚、行走、摔倒的行为模式下,当试验脚着地时,能量分别集中在频率4、3、2 Hz处,时频分辨力较高,且这些行为的信息主要集中于高频分量的特征模态函数中。结论:该方法可成功提取人体小腿角加速度信号的时频特征,也适用于对其他下肢运动学参数信号的提取,以得到整个下肢的运动特征。

基于詹森香农差异的步态信号复杂度分析

人在行走的时候会产生步态信号,不同的人会产生不同的步态信号,步态信号复杂度的研究在医学上具有重要的意义。我们可以根据一个人步态信号的复杂度来评估一个人的健康状况,从而及时发现和诊断疾病。本文采用詹森香农差异(JSD)的复杂度分析方法,分别计算健康老年人、健康年轻人和帕金森病患者的步态信号复杂度,并对实验数据进行方差分析。结果表明,三种步态信号的复杂度具有明显差异。通过本文的研究,我们得出了帕金森病患者、健康老年人和健康年轻人步态信号复杂度的取值范围,从而为临床诊断提供了重要依据。

Gait Recorded by Smart Phone Can Reveal Your Emotion

So far,a lot of scientific studies have been carried out on nonverbal signals,which are considered as extrinsic expression of human’s intrapsychic state.Among them,emotion detection aims to automatically determine a person’s affective state,with immense potentials in many areas from health care,psychological detection to human-computer interaction.Traditional emotion detection is based on expressions,or linguistic and acoustic features in speech.However,