CN103417216A - 一种基于复杂度的压力中心非线性特征提取方法 - Google Patents
一种基于复杂度的压力中心非线性特征提取方法 Download PDFInfo
- Publication number
- CN103417216A CN103417216A CN2013103325091A CN201310332509A CN103417216A CN 103417216 A CN103417216 A CN 103417216A CN 2013103325091 A CN2013103325091 A CN 2013103325091A CN 201310332509 A CN201310332509 A CN 201310332509A CN 103417216 A CN103417216 A CN 103417216A
- Authority
- CN
- China
- Prior art keywords
- cop
- sequence
- complexity
- lempel
- sigma
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于复杂度的压力中心非线性特征提取方法。传统的压力中心(centerofpressure,COP)特征参数,无法对人体动摇的非线性特性进行有效描述。本发明是一种利用所构建的基于邻域粗粒化二维Lempel-Ziv复杂度,提取COP非线性动力学特征的方法,具体步骤为:步骤1.COP信号的获取;步骤2.基于邻域粗粒化的序列重构;步骤3.基于重构序列计算COP信号的归一化Lempel-Ziv复杂度。本发明有效地解决了如何应用Lempel-Ziv复杂度,对二维的COP信号进行处理,提取其非线性特征的问题,从而能够对人体姿态动摇的不规则程度进行定量描述。
Description
技术领域
本发明属于生物力学领域,尤其涉及一种基于复杂度的压力中心非线性特征提取方法。具体是一种利用所构建的基于邻域粗粒化二维Lempel-Ziv复杂度,提取压力中心(center of pressure,COP)信号的非线性动力学特征,对人体姿态动摇的不规则程度进行定量描述的方法。
背景技术
人们通常认为自己能够稳稳地站着是件理所当然的事情。但实际上,直立是一项复杂的任务,完成这项任务需要由姿态控制***中包括前庭核、脑干网状结构、脊髓、小脑及大脑皮层等在内的多级神经中枢,对视觉、本体感觉以及前庭感觉器官获取的信息进行整合加工,由与运动功能有关的肌肉骨骼组织调节身体,使其在脚底有限支持平面上保持重心稳定。姿态控制***中的任何一个环节出现问题,都会导致人直立时的姿态动摇模式发生改变。因此对人直立时的姿态动摇模式进行分析,能够得到姿态控制***状态的重要信息。
获取人站立时的COP信号进行姿态动摇模式研究,是一种已得到公认的有效方法。现有研究多采用时域或频域的线性分析方法对COP信号进行分析处理,例如提取COP的轨迹长度、平均速度、功率谱等特征参数,对人体动摇状态进行定量描述。如前所述,人的姿态控制***是一个由多功能的感觉器官、运动单元、多级神经中枢通过反馈环构成的多回路网络控制***。作为该复杂控制***的一种外在表象,姿态动摇具有明显的非线性特性。然而,传统的COP特征参数,无法对其进行有效描述。
Lempel-Ziv复杂度分析是一种重要的非线性动力学分析方法,能有效描述信号的不规则程度,进而对***的动态变化特性进行描述。但目前将Lempel-Ziv复杂度用于COP信号分析却存在困难,主要是因为利用测力平台、平衡板记录的COP信号是二维信号,尽管一维复杂度算法已非常成熟,但二维复杂度算法还有待进一步研究,尚未见到有应用Lempel-Ziv复杂度对COP信号进行分析的报道。
发明内容
本发明的目的是针对上述问题,提出一种基于复杂度的压力中心非线性特征提取方法,用该方法提取COP信号的非线性动力学特征,对人体姿态动摇模式的不规则程度进行描述。
本发明解决其技术问题所采用的技术方案包括如下步骤:
步骤1.COP信号的获取;
步骤2.基于邻域粗粒化的序列重构;
步骤3.基于重构序列计算COP信号的归一化Lempel-Ziv复杂度。
所述的步骤1中COP信号的获取,具体如下:
1-1.让受试者站立在测力平台或平衡板上,拾取分布于测力平台或平衡板四角的压力传感器的四路压力信号,分别记为f1、f2、f3、f4;将坐标原点设在测力平台或平衡板的几何中心,设压力中心坐标为G(x,y),则四个压力传感器的位置坐标分别为H(x1,y1),I(x2,y2),J(x3,y3),K(x4,y4);依据力学平衡原理及力矩原理得:
式(1)中,c=1,2,3,4。
1-2.每次检测均进行n次采样,采样周期及频率的具体取值根据被检测对象的情况确定,检测获得的COP信号由横向动摇分量序列x(t)和前后动摇分量序列y(t)构成,表示为Gt(xt,yt),t=1,...,n,其中t为采样点的序号,n为自然数。
所述的步骤2中基于邻域粗粒化的序列重构,具体如下:
2-1.将每次检测获得的COP信号Gt(xt,yt)表示成一个二维时间序列,即{(xt,yt)|t=1,...,n}计算每一采样点的COP信号(xt,yt)到所选定坐标原点的距离,记为{lt|t=1,...,n},并用δ1表示各采样点到原点距离的均值,如式(2)所示。
2-2.计算所有相邻两个采样点的COP信号(xt,yt)与(xt+1,yt+1)之间的距离,记为{l't|t=1,...,n-1},并用δ2表示所有相邻两个采样点COP信号之间距离的均值,如式(3)所示:
2-5.通过步骤2-3和2-4将二维时间序列{(xt,yt)|t=1,...,n}重构为一个等长的(0,1)符号序列,表示为{st|t=1,2,...,n}。
所述的步骤3中基于重构序列计算COP序列的归一化Lempel-Ziv复杂度,具体如下:
3-1.采用现有LemPel-Ziv复杂度算法,计算重构后的符号序列{st}中互异子串的数目,记为c(n)。
计算当n→∞时c(n)的值,记为b(n):
3-2.用b(n)将c(n)归一化,得到归一化的Lempel-Ziv复杂度Fc:
基于步骤3-2所获得的COP信号的复杂度Fc,能够对人体姿态动摇的不规则程度进行定量描述。
本发明有益效果如下:
针对利用传统的压力中心(COP)特征参数,无法对人体动摇的非线性特性进行有效描述的问题,本发明有效的解决了如何应用Lempel-Ziv复杂度,对二维的COP信号进行处理的问题,从而能够对人体姿态动摇的不规则程度进行定量描述。
附图说明
图1为本发明中COP信号构成图。
图2为本发明序列重构后符号序列图。
具体实施方式
下面结合附图对本发明作进一步说明。
一种基于复杂度的压力中心非线性特征提取方法,具体实施方式如下:
步骤1.COP信号的获取;
步骤2.基于邻域粗粒化的序列重构;
步骤3.基于重构序列计算COP信号的归一化Lempel-Ziv复杂度。
所述的步骤1中COP信号的获取,具体采用如下已有方法:
1-1.让受试者站立在测力平台或平衡板上,拾取分布于测力平台或平衡板四角的压力传感器的四路压力信号,分别记为f1、f2、f3、f4;将坐标原点设在测力平台或平衡板的几何中心,设压力中心坐标为G(x,y),则四个压力传感器的位置坐标分别为H(x1y1),I(x2,y2),J(x3,y3),K(x4,y4);依据力学平衡原理及力矩原理得:
式(1)中,c=1,2,3,4。
1-2.每次检测均进行1200次采样,采样周期为30秒,采样频率为40Hz,则检测获得的COP信号由横向动摇分量序列x(t)和前后动摇分量序列y(t)构成(如图1所示),表示为Gt(xt,yt),t=1,...,n,其中t为采样点的序号,n为1200。
所述的步骤2中基于邻域粗粒化的序列重构,具体如下:
2-1.将其中一次检测获得的30秒的COP信号Gt(xt,yt)表示成一个二维时间序列,即{(xt,yt)|t=1,...,n};计算每一采样点COP信号Gt(xt,yt)到所选定坐标原点的距离,记为{lt|t=1,...,n},并用δ1表示各采样点到原点距离的均值,如式(2)所示。
2-2.计算所有相邻两个采样点COP信号(xt,yt)与(xt+1,yt+1)之间的距离,记为{l't|t=1,...,n-1},并用δ2表示所有相邻两个采样点COP信号之间距离的均值,如式(3)所示:
2-5.通过步骤2-3和2-4将二维时间序列{(xt,yt)|t=1,...,n}(如图1所示),重构为一个等长的(0,1)符号序列(如图2所示),表示为{st|t=1,2,...,n}。
所述的步骤3中基于重构序列计算COP序列的归一化Lempel-Ziv复杂度,具体如下:
3-1.采用现有Lempel-Ziv复杂度算法,计算重构后的符号序列{st}中互异子串的数目,记为c(n)。
计算当n→∞时c(n)的值,记为b(n):
3-2.用b(n)将c(n)归一化,得到归一化的Lempel-Ziv复杂度Fc:
基于步骤3-2所获得的COP信号的复杂度Fc,能够对人体姿态动摇的不规则程度进行定量描述。
Claims (1)
1.一种基于复杂度的压力中心非线性特征提取方法,其特征在于包括如下步骤:
步骤1.COP信号的获取;
步骤2.基于邻域粗粒化的序列重构;
步骤3.基于重构序列计算COP信号的归一化Lempel-Ziv复杂度;
所述的步骤1中COP信号的获取,具体如下:
1-1.让受试者站立在测力平台或平衡板上,拾取分布于测力平台或平衡板四角的压力传感器的四路压力信号,分别记为f1、f2、f3、f4;将坐标原点设在测力平台或平衡板的几何中心,设压力中心坐标为G(x,y),则四个压力传感器的位置坐标分别为H(x1,y1),I(x2,y2),J(x3,y3),K(x4,y4);依据力学平衡原理及力矩原理得:
式(1)中,c=1,2,3,4;
1-2.每次检测均进行n次采样,采样周期及频率的具体取值根据被检测对象的情况确定,检测获得的COP信号由横向动摇分量序列x(t)和前后动摇分量序列y(t)构成,表示为Gt(xt,yt),t=1,...,n,其中t为采样点的序号,n为自然数;
所述的步骤2中基于邻域粗粒化的序列重构,具体如下:
2-1.将每次检测获得的COP信号Gt(xt,yt)表示成一个二维时间序列,即{(xt,yt)|t=1,...,n};计算每一采样点的COP信号(xt,yt)到所选定坐标原点的距离,记为{lt|t=1,...,n},并用δ1表示各采样点到原点距离的均值,如式(2)所示。
2-5.通过步骤2-3和2-4将二维时间序列{(xt,yt)|t=1,...,n}重构为一个等长的(0,1)符号序列,表示为{st|t=1,2,...,n};
所述的步骤3中基于重构序列计算COP序列的归一化Lempel-Ziv复杂度,具体如下:
3-1.采用现有Lempel-Ziv复杂度算法,计算重构后的符号序列{st}中互异子串的数目,记为c(n);
计算当n→∞时c(n)的值,记为b(n):
3-2.用b(n)将c(n)归一化,得到归一化的Lempel-Ziv复杂度Fc:
基于步骤3-2所获得的COP信号的复杂度Fc,能够对人体姿态动摇的不规则程度进行定量描述。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310332509.1A CN103417216B (zh) | 2013-04-08 | 2013-08-01 | 一种基于复杂度的压力中心非线性特征提取方法 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310118890.1 | 2013-04-08 | ||
CN 201310118890 CN103251411A (zh) | 2013-04-08 | 2013-04-08 | 一种基于复杂度的压力中心非线性特征提取方法 |
CN201310332509.1A CN103417216B (zh) | 2013-04-08 | 2013-08-01 | 一种基于复杂度的压力中心非线性特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103417216A true CN103417216A (zh) | 2013-12-04 |
CN103417216B CN103417216B (zh) | 2014-12-10 |
Family
ID=48955888
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201310118890 Pending CN103251411A (zh) | 2013-04-08 | 2013-04-08 | 一种基于复杂度的压力中心非线性特征提取方法 |
CN201310332509.1A Expired - Fee Related CN103417216B (zh) | 2013-04-08 | 2013-08-01 | 一种基于复杂度的压力中心非线性特征提取方法 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201310118890 Pending CN103251411A (zh) | 2013-04-08 | 2013-04-08 | 一种基于复杂度的压力中心非线性特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN103251411A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108185994A (zh) * | 2018-02-02 | 2018-06-22 | 杭州拜伦医疗科技有限公司 | 一种基于非线性技术的平衡能力检测方法及装置 |
CN109330604A (zh) * | 2018-08-28 | 2019-02-15 | 浙江大学 | 一种人体站立晃动信号分解方法及装置 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107170467B (zh) * | 2017-05-19 | 2019-12-17 | 佛山市百步梯医疗科技有限公司 | 一种基于Lempel-Ziv复杂度的异常心音识别方法 |
CN107334212B (zh) * | 2017-08-10 | 2020-04-21 | 深圳大学 | 测量足底压力中心轨迹的方法、模型建立方法及智能鞋垫 |
CN108594202B (zh) * | 2018-07-25 | 2021-07-27 | 电子科技大学 | 一种邻域分布结构非线性投影目标特征提取方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1985155A (zh) * | 2004-07-03 | 2007-06-20 | 伍兹堡尤利乌斯-马克西米利安斯大学 | 确定平衡特征的力估算装置和力估算方法 |
JP2009525107A (ja) * | 2006-02-02 | 2009-07-09 | インペリアル イノベーションズ リミテッド | 歩行分析 |
CN102302370A (zh) * | 2011-06-30 | 2012-01-04 | 中国科学院计算技术研究所 | 一种跌倒检测方法和装置 |
CN102824176A (zh) * | 2012-09-24 | 2012-12-19 | 南通大学 | 一种基于Kinect传感器的上肢关节活动度测量方法 |
-
2013
- 2013-04-08 CN CN 201310118890 patent/CN103251411A/zh active Pending
- 2013-08-01 CN CN201310332509.1A patent/CN103417216B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1985155A (zh) * | 2004-07-03 | 2007-06-20 | 伍兹堡尤利乌斯-马克西米利安斯大学 | 确定平衡特征的力估算装置和力估算方法 |
US20080188775A1 (en) * | 2004-07-03 | 2008-08-07 | Peter Schneider | Force Evaluating Device and a Force Evaluating Method for Determining Balance Characteristics |
JP2009525107A (ja) * | 2006-02-02 | 2009-07-09 | インペリアル イノベーションズ リミテッド | 歩行分析 |
CN102302370A (zh) * | 2011-06-30 | 2012-01-04 | 中国科学院计算技术研究所 | 一种跌倒检测方法和装置 |
CN102824176A (zh) * | 2012-09-24 | 2012-12-19 | 南通大学 | 一种基于Kinect传感器的上肢关节活动度测量方法 |
Non-Patent Citations (2)
Title |
---|
IU,Q.;WEI,Q.;: "Adaptive computatiOn of multiscale entropy and its印plication in EEG signals for monitoring depth of anesthesia during surgery", 《ENTROPY》 * |
罗志增: "基于多尺度Lempel-Ziv 复杂度的运动想象脑电信号特征分析", 《传感技术学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108185994A (zh) * | 2018-02-02 | 2018-06-22 | 杭州拜伦医疗科技有限公司 | 一种基于非线性技术的平衡能力检测方法及装置 |
CN108185994B (zh) * | 2018-02-02 | 2020-06-09 | 杭州拜伦医疗科技有限公司 | 一种基于非线性技术的平衡能力检测方法及装置 |
CN109330604A (zh) * | 2018-08-28 | 2019-02-15 | 浙江大学 | 一种人体站立晃动信号分解方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN103251411A (zh) | 2013-08-21 |
CN103417216B (zh) | 2014-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103417216B (zh) | 一种基于复杂度的压力中心非线性特征提取方法 | |
Zhang et al. | Fall detection by wearable sensor and one-class SVM algorithm | |
Javeed et al. | Wearable sensors based exertion recognition using statistical features and random forest for physical healthcare monitoring | |
Lee et al. | Parkinson’s disease classification using gait characteristics and wavelet-based feature extraction | |
CN112057080B (zh) | 一种基于分阶段特征提取的冻结步态检测*** | |
CN104107042A (zh) | 基于粒子群优化-支持向量机的肌电信号步态识别方法 | |
CN106228200A (zh) | 一种不依赖于动作信息采集设备的动作识别方法 | |
CN102389302B (zh) | 一种心电信号动力特征分析方法 | |
CN104546007B (zh) | 胎动检测抗干扰处理方法及装置 | |
CN105956558A (zh) | 一种基于三轴加速度传感器人体动作识别方法 | |
CN102614061A (zh) | 基于肌音信号的人体上肢功能康复训练实现方法 | |
CN105550659A (zh) | 基于随机投影的实时心电分类方法 | |
CN108013884B (zh) | 一种汽车驾驶员疲劳驾驶主动安全监测***及其监测方法 | |
Zhang et al. | Upper limb motion capturing and classification for unsupervised stroke rehabilitation | |
Li et al. | Infrasound signal classification based on spectral entropy and support vector machine | |
WO2021028641A1 (fr) | Procede et systeme pour l'analyse de l'activite biomecanique et l'exposition a un facteur de risque biomecanique sur un sujet humain dans un contexte d'activite physique | |
Chakraborty et al. | Pathological gait detection based on multiple regression models using unobtrusive sensing technology | |
Nema et al. | Wavelet-frequency analysis for the detection of discontinuities in switched system models of human balance | |
Ibrahim et al. | Time-frequency based features for classification of walking patterns | |
Xu et al. | [Retracted] An Inertial Sensing‐Based Approach to Swimming Pose Recognition and Data Analysis | |
CN110647857A (zh) | 一种步态识别方法及*** | |
Su et al. | Estimation of walking energy expenditure by using support vector regression | |
Zhang et al. | An efficient feature selection method for activity classification | |
Ghutke et al. | Improving accuracy of classification of emotions using EEG signal and adaptive PSO | |
Nambiar et al. | Evolvable block-based neural networks for classification of driver drowsiness based on heart rate variability |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20141210 Termination date: 20170801 |
|
CF01 | Termination of patent right due to non-payment of annual fee |