基于机器学习的生物雷达非接触识别头部特定动作方法研究

目的提出一种基于生物雷达传感器的头部特定动作非接触识别方法。方法首先对头部特定动作——静止、点头、左转、右转、后倾、张嘴、左点头、右点头采集雷达回波信号;其次,通过时域处理和时频分析得到时域和时频谱2种图像数据;接着从时域和时频域数据中分别提取特征并利用主成分分析法(Principal Component Analysis,PCA)构建更为有效的新特征;最后,运用支持向量机模型(Support Vector Machine,SVM)对新特征进行分类。结果基于PCA和SVM构建人体动作特征提取方法,并对人体头部动作进行识别,结果显示,不同类型头部动作的分类识别准确率可达88.64%。结论本文提出的头部动作非接触识别对于阿尔茨海默病患者增强社会交流、延缓病情发展、提升生活质量具有重要意义。

高压断路器触头运动PID自适应跟踪控制方法

在常规的跟踪控制方法中,主要是根据预测控制算法对触头运动轨迹进行预测,无法有效排除预测偏差问题。因此,利用PID控制器,设计了高压断路器触头运动自适应跟踪控制方法。提取高压断路器触头运动特征向量,排除非线性因素对跟踪控制精准度的影响。再利用PID构建触头运动自适应跟踪控制模型,有效地改善触头运动跟踪控制偏差。采用仿真实验的方式,验证了该方法的跟踪控制偏差更小、控制效果更佳,能够应用于实际生活中。

基于心冲击描记术的心率检测方法

非接触式心冲击描记术(BCG)通过测量血液循环过程中血液对血管壁产生的周期性压力来测量心率。这种压力会引起包括头部在内的身体各部位周期性弱机械运动,这种运动十分微弱,并且从身体运动中提取的BCG信号有着较低的信噪比,限制了其心率的测量精度。利用光学杠杆放大头部运动(Optical lever amplified BCG,OLA-BCG),提出了一种非接触式高精度心率检测算法。该方法以激光作为主动光源,结合附着在头部的平面镜,实现头部运动的放大;同时利用加权质心跟踪算法提取头部运动轨迹并采用独立成分分析过滤掉干扰噪声,得到BCG信号。最后,对提取的BCG信号进行频谱分析,计算出心率值。实验结果表明,OLA-BCG方法可以有效提高从头部运动中提取的BCG信号的信噪比和心率的测量精度。