基于改進多元多尺度熵的人體步態(tài)加速度信號分類*

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）

基于改進多元多尺度熵的人體步態(tài)加速度信號分類*

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間序列時，會使均值曲線產(chǎn)生較大的波動，并且閾值的選取也會對結(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)上首先對傳統(tǒng)粗?；绞竭M行了改進，改進后的算法采用滑動均值濾波使粗?；蟾鞒叨壬系臅r間序列與原始時間序列長度一致，減小了所計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)點的同時，通過定義模糊隸屬度函數(shù)來統(tǒng)計兩復(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)對該算法進行了驗證，并將其應(yīng)用于不同人體步態(tài)加速度信號的復(fù)雜度評價和分類，結(jié)果表明改進算法的識別效果明顯優(yōu)于傳統(tǒng)多元多尺度熵。

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

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

人體生理信號蘊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，人體生理信號的分析、處理已成為臨床醫(yī)學(xué)、康復(fù)醫(yī)療的一個重要研究領(lǐng)域。步態(tài)作為人體生理信號中具有特異性的一種指人在行走時的姿態(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。而對于同一個人來說，其年齡變化、身體健康程度、精神狀態(tài)的改變，對步態(tài)也會有不同程度的影響［2］。加速度作為人體步態(tài)動力學(xué)中的重要參數(shù)，包含了大量人體步態(tài)中有價值的信息。因此，研究人體步態(tài)加速度數(shù)據(jù)，對人體的行為進行識別，可為病人的監(jiān)護［3］、運動員輔助訓(xùn)練［4］提供有力的工具。

目前，大多數(shù)人體行為識別的方法都是針對于圖像的，而在人體運動環(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，會給基于圖像的行為檢測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)對人體行為進行識別的方法具有受環(huán)境影響小、不受距離限制等優(yōu)點。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，避免了動態(tài)情況下多種因素對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)加速度對人體行為進行識別逐漸成為許多專家和學(xué)者關(guān)注的熱點。劉曉婷［7］等人運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)合對健康人群不同行為的加速度信號進行特征值提取，為進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時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分類器中進行分類，最終獲得了90.07%的識別率。He Zhenyu［9］通過對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分類器中進行分類，最終識別率達到了92.25%。徐川龍［10］等提出了一種基于單個三軸加速度計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)計特征，并將提取后的特征送入到SVM分類器中進行分類，獲得了95%的識別率。以上三種方法只利用某種特定的分類器對人體行為加速度數(shù)據(jù)進行分類，對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［11］將其應(yīng)用于心電信號，有效的揭示了多通道心電信號的長時相關(guān)性。由于該算法計算復(fù)雜度較高，數(shù)據(jù)量較大，會造成系統(tǒng)內(nèi)存溢出。崔杰［12］等對多元多尺度樣本熵算法進行了改進，并成功將該算法應(yīng)用到癲癇腦電信號的分類當(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)計穩(wěn)定性較差。人體步態(tài)信號、心電信號和癲癇腦電信號同屬人體生理信號中的低頻信號，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)信號表現(xiàn)出自相似和長時相關(guān)性，這一點與癲癇腦電信號、心電信號相同。因此，本文在文獻［12］的基礎(chǔ)上進行了改進，提出改進多元多尺度熵算法，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。實驗提取三種狀態(tài)下的三軸加速度數(shù)據(jù)代表三通道的原始加速度時間序列，分別利用改進多元多尺度熵和傳統(tǒng)多元多尺度熵算法求出各時間序列在不同尺度下的均值和方差，對其分析和對比。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行分類，并對分類結(jié)果進行了比較。

1　算法描述

1.1改進多元多尺度熵

改進多元多尺度熵由改進粗?；透倪M樣本熵兩部分組成。

1.1.1改進粗?；?/p>

為了引出改進粗粒化算法，這里首先介紹一下傳統(tǒng)粗?；椒?。定義p個變量的時間序列，在各尺度上對原始時間序列進行粗?；至；蟮臅r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間序列按尺度因子依次進行壓縮，當(dāng)原始時間序列數(shù)據(jù)長度為有限長時，隨著尺度的增加，粗粒化后的時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，將會造成部分?jǐn)?shù)據(jù)的丟失。以上因素必然會影響多元多尺度熵算法的計算精度。針對上述缺點，本文提出改進粗?；惴ǎ诟鞒叨壬喜捎没瑒悠骄姆椒▽υ紩r間序列進行粗?；?，既保證了各尺度上粗?；蟮臅r間序列與原始時間序列長度一致，同時也避免了數(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改進粗?；^程

1.1.2改進樣本熵

改進樣本熵算法具體可分為如下幾個步驟：

①定義物理模糊隸屬度函數(shù)為：令域X表示一個距離集合，對?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個復(fù)合延遲矢量Ym+1（i）。針對Ym+1（i）重復(fù)上述步驟，得到嵌入維度為m+1時的條件概率Lm+1（r）：

⑤計算兩條件概率的比值的負(fù)自然對數(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）與改進閾值（軟閾值）對比

2　算法驗證與分析

2.1仿真實驗分析

由文獻［13］可知，對于不相關(guān)的白噪聲而言，復(fù)雜度隨尺度的增加而降低，而對于遠程相關(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；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個采樣點的隨機白噪聲和1/f噪聲對傳統(tǒng)粗?；嘣獦颖眷睾透倪M粗?；嘣獦颖眷剡M行對比，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表示歸一化時間序列的標(biāo)準(zhǔn)偏差）。從圖4中可以看出，隨機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)雜度均大于隨機噪聲的復(fù)雜度，這與文獻中的結(jié)論相一致。當(dāng)采樣點為500點時觀察圖a、圖b可知：在1/f噪聲、隨機白噪聲復(fù)雜度的區(qū)分效果上，傳統(tǒng)粗?；蟮亩嘣獦颖眷?，在各尺度上由隨機誤差所引起的均值曲線波動較大，且隨著尺度的增加方差越來越大。改進粗?；蟮亩嘣獦颖眷兀鞒叨壬嫌呻S機誤差所引起的均值曲線波動較小，曲線較為平滑，方差變化較小。對比圖c和圖e，對于遠程相關(guān)的1/f噪聲來說，當(dāng)采樣點從1 000點增加到1 500點時，傳統(tǒng)粗?；蟮臄?shù)據(jù)在各尺度上均值曲線波動逐漸減小，方差也逐漸變?。欢倪M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)采樣點為1 500點時，傳統(tǒng)粗?；c改進粗?；男Ч容^接近。在隨機白噪聲復(fù)雜度的區(qū)分上，對比圖d和圖f，當(dāng)采樣點為1 000點時傳統(tǒng)粗?；c改進粗?；诟鞒叨壬暇捣植枷嘁恢?，而改進粗粒化方差要小于傳統(tǒng)粗?；讲睿?dāng)采樣點增加到1 500點時，傳統(tǒng)粗?；捣讲钋€與改進粗?；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，采用改進粗?；惴ǖ男Ч黠@優(yōu)于傳統(tǒng)粗?；惴?。

圖4　R改進粗?；c傳統(tǒng)粗?；Y(jié)果對比

為了進一步證明改進樣本熵的優(yōu)點，實驗生成4個三通道的時間序列信號，分別為：3個通道的1/f噪聲；兩個通道的1/f噪聲和1個通道的隨機白噪聲；1個通道的1/f噪聲和另外兩個通道的隨機白噪聲；3個通道都為隨機白噪聲。其中粗粒化方式都采取傳統(tǒng)粗?；绞?，且改進樣本熵與傳統(tǒng)樣本熵所用參數(shù)皆為M=2，tau=1，r=0.2×std。傳統(tǒng)粗?；倪M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個三通道時間序列復(fù)雜度都有下降的趨勢，各尺度上，三通道皆為不相關(guān)隨機白噪聲的復(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噪聲時復(fù)雜度達到最高。在圖5中：各時間序列在采用傳統(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（另一個通道為隨機白噪聲）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開始各通道時間序列的方差曲線均無交疊，隨著尺度的的增加，各時間序列復(fù)雜度的區(qū)分效果越來越明顯。因此，在1/f噪聲與隨機白噪聲復(fù)雜度的區(qū)分效果上，改進樣本熵要優(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?；倪M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

實驗采用國外公開數(shù)據(jù)庫（http：//www.ess. tu-darmstadt.de/datasets）中的人體步態(tài)數(shù)據(jù)。實驗對象為5名健康男性，年齡在24歲～31歲之間。實驗采集過程為：首先將三軸加速度傳感器綁于各實驗對象右腿膝蓋上部，要求每一個受試者在計算機科學(xué)大樓內(nèi)分別按正常行走、上樓、下樓的順序進行運動，各受試者在運動的過程中，傳感器以250 Hz的采樣頻率實時采集實驗對象在當(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，各實驗對象的每種運動狀態(tài)重復(fù)采集5次，每次持續(xù)時間為25 min。為了消除偶然性，一周之后，要求其中三名實驗對象重復(fù)上述實驗，并將實驗結(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個采樣點的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)的加速度曲線波動較小，幅值較為接近；而下樓步態(tài)的加速度曲線波動幅度較大，其幅值范圍也比正常步態(tài)和上樓步態(tài)的范圍要寬。

實驗首先提取數(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)，分別代表三個通道的原始步態(tài)加速度時間序列。為了簡化運算，實驗對三通道加速度數(shù)據(jù)依次進行了歸一化處理，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間序列按尺度因子進行粗?；至；捎没瑒哟翱诘姆绞?，使各尺度上數(shù)據(jù)的長度為原始時間序列（ω為尺度因子）。粗?；蟮臅r間序列用傳統(tǒng)多元樣本熵進行特征提取，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，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。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，無法對兩數(shù)據(jù)集的復(fù)雜度進行區(qū)分。

為了證明本文算法的優(yōu)點，實驗運用改進多元多尺度熵對三種狀態(tài)下步態(tài)加速度信號的復(fù)雜度進行了區(qū)分，將三通道中的原始加速度時間序列進行歸一化處理后，用改進粗?；惴▽w一化后的三通道步態(tài)加速度時間序列進行粗?；?，該算法采用滑動均值濾波的方法使各尺度上粗?；蟮臅r間序列與原始步態(tài)時間序列長度保持一致。并利用改進樣本熵對粗?；蟮臅r間序列進行特征提取。其中，改進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。改進多元多尺度熵特征提取效果如圖9所示。

圖9　R改進多元多尺度熵特征提取圖

從圖9中可以發(fā)現(xiàn)：用本文算法對三數(shù)據(jù)集進行特征提取后，各尺度上各數(shù)據(jù)集均值波動較小，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，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。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，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上的改進多元多尺度熵散點圖

在實驗環(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（SVM）分類器中進行交叉驗證。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；最后將測試集送到訓(xùn)練好的各分類器中進行測試，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別率

由表1可以得知：本文算法的識別率皆高于傳統(tǒng)多元多尺度樣本熵，且最大識別率達到了96.5%。將本文算法的最高識別率與目前國際上針對人體正常步態(tài)、上樓、下樓步態(tài)數(shù)據(jù)的最高分類精度進行對比，本文算法體現(xiàn)出明顯的優(yōu)越性。其中文獻［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，對采集到的信號進行小波分解，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行分類識別。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比

3　結(jié)論

本文在傳統(tǒng)多元多尺度熵的基礎(chǔ)上進行了改進，提出一種改進多元多尺度熵算法。該算法對傳統(tǒng)粗粒化方法進行了改進，改進粗?；捎没瑒泳禐V波的形式使各尺度上粗粒化后的數(shù)據(jù)長度與原始時間序列長度保持一致，減少了隨機誤差，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)實驗證明了改進多元多尺度熵對正常步態(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，同時說明該算法只需要較少的數(shù)據(jù)就能對各數(shù)據(jù)集的復(fù)雜度進行很好的區(qū)分。因此，此方法可為人體行為的識別、患者的康復(fù)治療提供重要的依據(jù)。本文只將改進多元多尺度熵應(yīng)用于對正常步態(tài)、上樓、下樓步態(tài)三種行為的識別，如何用該算法對其他多種人體行為進行識別，是本文需要進行的下一步工作。

［1］趙凌燕，張立勛，張今瑜，等.人體步態(tài)運動學(xué)研究方法進展綜述［J］.測控技術(shù)，2007，26（12）：1-3.

［2］郭忠武，王廣志，高敬，等.正常青年人步態(tài)運動學(xué)參數(shù)的研究［J］.中國康復(fù)理論與實踐，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監(jiān)護系統(tǒng)設(shè)計［J］.傳感技術(shù)學(xué)報，2014，27（3）：289-292.

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

［5］盧先領(lǐng)，王洪斌，王瑩瑩.加速度數(shù)據(jù)特征在人體行為識別中的應(yīng)用研究［J］.計算機工程，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別方法［J］.計算機系統(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.基于改進多元多尺度熵的癲癇腦電信號的自動分類［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，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，研究方向為信號處理，模式識別；

徐永紅（1975-），四川樂山人，燕山大學(xué)教授，碩士生導(dǎo)師，主要研究方向為圖像處理，信號處理，可視化模式識別。

TP212.3；TP212.9

A

1004-1699（2015）12-1805-07*

項目來源：國家自然科學(xué)基金項目（60873121）

2015-07-19修改日期：2015-09-13