电气工程专业毕业论文外文文献翻译（含英文原文）.doc

中北大学2015届毕业设计外文文献翻译外文文献为PDF格式，下载后双击即可打开另存一个使用无线步态分析传感器的人工神经网络（ANN）和支持向量机（SVM）算法的高效且稳定跌倒检测系统摘要 在本文中，共有322个测试，测试使用的是定制设计的无线步态分析传感器（WGAS），该传感器被使用在青年志愿者身上并执行10种不同的跌倒，6种不同的日常生活（ADL）和7动态步态指数（DGI）的活动。为了执行自动跌倒检测，我们采用BP神经网络（BP-ANN）和基于6个功能从原始数据中提取的支持向量机（SVM）。WGAS包括一个三轴加速度计，2陀螺仪，和一个MSP430微控制器，是由受试者在任一T4（在后面）或作为佩戴在腰部的前方进行各种测试试验。原始数据被无线地从WGAS传送到附近的一个个人计算机的实时分类。该BP神经网络是通过改变训练，测试和验证的数据集，并网络优化不同的测试项目。支持向量机通过使用三个不同的内核和选择内核最佳分类率的最优化。 BP神经网络在LM和RPROPT4位置的测试数据的整体精度达到98.20，而佩戴在腰部位置取得的LM和SCG测试数据达到98.70。使用SVM与来自T4和皮带的位置数据RBF核的整体准确率分别为98.80和98.71。关键词：人工神经网络（ANN），反向传播，跌倒检测，防跌，步态分析传感器，支持向量机（SVM），无线传感器1 简介 据估计，在美国的老年人（即约12亿人）的是全国的三分之一，跌倒在每一年，其结果往往是严重的伤害1。跌倒在独居老人可以是特别危险.因此，引入高度准确和易于监测跌倒检测装置，其能够无线地检测并记录实时跌倒对于人口老化是很重要的。我们已经经过调查，使用普通的传感器没有无线功能，为监测60个青年志愿者所有日常生活（ADL）跌倒的活动，使用基于阈值的算法2。本传感器是无线的，不仅允许实时不受限制试验跌倒检测，同时也可以进行步态分析2，3。本文阐述我们新的无线步态分析传感器（WGAS）使用专为实时自动跌倒检测一个有效率的BP神经网络（BP ANN）算法，支持向量机（SVM）具有不同的内核功能进行不同的测试项目。WGAS佩戴在身体的两个不同位置进行测试：T4位置与佩戴在腰部的位置，如图1中所示。图1 传感器的取向和位置，佩戴在腰部位置（左）和在T 4位置（右）。为了方便BP神经网络和SVM的学习，以下6的特性（RW：角速度范围; RA：加速度的范围）中所示等式（1）和（2）从WGAS采集的原始数据中提取。它们提供给这些分类用来执行实时跌倒检测作为输入。 (1) (2)2 无线步态分析传感器设计的WGAS由一个3轴线性加速度计，在单轴陀螺仪，和双轴陀螺仪与微机电系统的帮助下，来进行步态模式期间测量的3-D人体平移和旋转的（ MEMS）的传感器并集成在PCB上。此WGAS系统由德州仪器（TI）的MSP430微控制器支持的，以及使用的SimpliciTI协议与一系列12米（40英尺）的无线2.4GHz的USB作收发器。为WGAS整体简化的系统框图检测系统显示在图2中，我们较早的有线传感器2中所用的2个AAA电池被替换BYA可充电锂离子纽扣电池，每充满电就能提供约连续工作40小时时间的电池寿命。图2 WGAS的简化框图跌倒检测系统 印刷电路板，硬币大小的电池和微控制器被放置在一个特殊设计的三维印刷盒（2.21.50.8）共42克的总重量。箱子的设计已完成用3D建模软件犀牛（Rhino），并使用三维打印机用丙烯腈 - 丁二烯 - 苯乙烯（ABS）的塑料印刷。盒子具有滑动盖如图3所示。图3 我们的定制设计WGAS的物理结构加速度计数据被采样频率在160赫兹并输出8位数字量，其输出缩放至6克在V=6g/VDD( VDD=3.6 V)，每个轴陀螺仪数据也被采样在160赫兹和8位数字量，其输出缩放至300每秒。 （DPS）在V=300 DPS所以（注典型所以（灵敏值）值是3.752毫伏/DPS的加速度计3.33毫伏/ DPS的陀螺仪）。传感器方向安放在位置上的身体正在测试，以避免伪像，图1所示传感器被仔细地固定到主体。在微控制器和收发器单元使用6维步态数据的实时传输无线传输到附近的计算机，其中，一个LABVIEW程序用于设计的图形用户界面（GUI）（图4）。图4 在8.765秒后发生的GUI设计LABVIEWTM，我们使用WGAS实时跌倒检测系统，表明下跌测试协议第一跌倒动作4是在一个垫子床垫床上由两个青年志愿者穿着WGAS在T4和佩戴在腰部位置进行（见表1，10种不同类型的跌倒）。跌倒的总人数为101（51人在T4和50佩戴在腰部）。为ADL试验4，同样志愿者进行记录在表2每ADL（注意，这包括拾取对象测试7），和日常生活活动的总数为69（34在T4和35佩戴在腰部）。为DGI试验5中，相同的志愿者进行每DGI测试在表3中，与在总取152测试（82在T4和70佩戴在腰部）。3 BP神经网络算法用于训练前馈神经网络分类器，反向传播根据Duda等施加6和一个3层的系统被选中作为标准BP神经网络7。该网络的输入层有对应于六个输入特征值的神经元。有一个隐藏层保持10个隐藏神经元，该数量进行优化调整隐藏神经元的大小（从1至15），如图5所示，其中对应于该网络需要区分这两个目标类型、两个输出神经元（即所有跌倒的功能被认为是1级，所有DGI和ADL是为Class2）。逆推学习算法8的基本思想是链式法则的反复应用方法，采取任意的误差函数E中的帐户来计算如公式（3）是网络中的每个重量的影响： (3)哪里Wij是从神经元j到神经元i的权重，Si是输出和neti是神经元i输入的加权和。计算每个重量的衍生物后，误差函数最小化由以下公式（4）的简单梯度下降规则： (4)图5 3层BP神经网络的拓扑结构在这项工作中表1中 在这项工作中进行故意跌倒测试号说明1向后跌倒双腿伸直2向前跌倒双腿伸直3向后跌倒膝盖弯曲4向前跌倒膝盖弯曲5向左跌倒膝盖弯曲6向右跌倒膝盖弯曲7向左跌倒双腿伸直8向右跌倒双腿伸直9在椅子上跌倒10被小物体绊倒表2 日常生活活动能力（ADL）的动作进行测试号说明1步态水平面上行走与正常速度可达20标志2更改步速行走与正常速度高达5，走快了未来5，慢慢的走对于未来5和正常行走，去年53步态与水平头变成步行与正常水平的头变成了20个“标志4步态与垂直首推行走正常，垂直头变成了20个“标志5步态和原地转向行走正常，但在年底扭亏为盈像一个支点转6步骤在障碍物行走正常，当你遇到障碍步过不在身边7绕过障碍物行走正常步，当第一个障碍遇到，走动权侧面和第二届的时候阻碍遇到走走离开表3 动态步态指数（DGI）测试中表现测试号说明1步态水平面上行走与正常速度可达20标志2更改步速行走与正常速度高达5，走快了未来5，慢慢的走对于未来5和正常行走，去年53步态与水平头变成步行与正常水平的头变成了20标志4步态与垂直首推行走正常，垂直头变成了20标志5步态和原地转向行走正常，但在在最后突然改变转向6当你遇到障碍越过障碍物后行走正常7步行绕过障碍物后行走正常步，当遇到第一个障碍物后从侧面走过和第二遇到障碍物的时候走开 显然，分辨率为，这将决定缩放衍生物，对所需的直达收敛时的关键影响。如果学习率设置过小，预计许多措施来达到一个可以接受的解决方案。与此相反，一个大的学习率将可能导致振荡，防止错误降到低于一定值。在BP神经网络的训练是通过使用下面讨论三种不同的分析算法进行的。3.1 BP神经网络具有缩放共轭梯度（SCG）学习基本逆向算法改变网络的以下最速下降方向（倾斜的负方向）的权重。在这个方向上的表现功能最迅速的减小沿着斜坡的负方向。然而，收敛可以实现更为迅速的不即刻减少。因此，共轭梯度方法其通常可以用于通过在所有的梯度方向进行执行的搜索，以确定由分析得到的步长产生更快的收敛比梯度下降的技术。在这项工作中所使用的人工神经网络分类器的训练是由穆勒开发的进行比例共轭梯度（SCG）反向传播的方法9。此SCG算法执行搜索，并通过使用从所述神经网络二阶误差函数中的信息选择所述的步长大小。上海建工培训由参数西格玛（这决定了权重的变化的二阶导数逼近）和LAMDA（其中规定了黑森州的不确定性）的和值.其中和的值分别取5e-5和5e-7。3.2 BP神经网络与列文伯格 - 马夸特（LM）研究对于BP神经网络的第二个训练方法是Levenberg-Marquardt算法10，这是用来加快二阶近似的训练方法并且无需计算Hessian矩阵完成。如果性能函数具有平方和（典型在训练前馈网络）然后Hessian矩阵可以近似为： (5)和梯度可以计算为： (6) 其中J是雅可比矩阵，其具有相对于所述重量和偏差的网络错误的第一导数，以及e是包含网络错误的载体。 为了确保H是总是可逆的，LM算法引入了另一个近似使用Hessian矩阵。 (7) 其中，被称为组合系数和总为正，I是单位矩阵。该LM算法确实根据的标量参数训练。如果的值为零，这个算法降低到Hessian矩阵近似;并且如果的值较大时，这将成为一个梯度下降算法以小的步长。将LM训练由参数（即，合成系数）进行了优化。为可以是小的或大的值，它的值被初始化为0.001，最大值设为1e10，具有0.1的减小因子和10的增加的因素。3.3 BP神经网络与弹性传播（RPROP）在训练前馈神经网络，我们一般采用S型传递函数，隐层为特征的原则;它的斜率必须从零输入变大。这可能会导致问题，因为如果梯度变得过小，就有可能我们只能应用小的变化，在重量和网络的偏差，即使它们是远离其全局最优值。 因此，对于使用弹性反向传播（RPROP）的理由是为了消除这些不希望的效应11。只有在微分值的大小对更新权重没有影响下，才能导数的符号可以确定加权更新。该RPROP训练通过选择W（初始重量变化）到0.07，重量变化增量到1.2优化，重量变化减量等于0.5。4 支持向量机（SVM） 支持向量机（SVM）是分别是有监督学习模式识别/分类的在两种类别方法。 SVM-light是SVM的提出和Thorsten Joachims12 13的实施之一，适用于实验数据的分类为跌倒，DGI和ADL。4.1 线性SVM分类优化算法线性分类由Vapnik等14提出。这个算法可以找到的最大利润的超平面由给定的训练数据集D如等式（8）中描述的： （8)其中，yi的是1或1和n是训练数据的数量。每个xi是具有特征量的p维向量R。任何超平面可以写成： (9)其中w是载体的超平面。如果训练数据是线性可分，那么该超平面可以被描述如： (10)这两个超平面之间的距离为2 /，因此，目的是最大限度地减少。因此，该算法可以被改写为： 最小化： ，在这种条件下 (11)我们还可以改写等式不改变该解决方案，如下：在这种情况下 (12) 线性SVM，一个超平面或一组超平面可以用作在分类的不同的行。的更高的分离的余量为可以创建的类，一般是可以更好实现对线性SVM的15的分类结果。4.2 非线性SVM分类 B. E. Boser等通过使用核心技巧16提出的非线性SVM分类。在这项研究中所使用的核心公式如下：多项式： (13)径向基函数： (14) 支持向量机的精度取决于内核，成本系数参数C 17和用于RBF核的参数。我们选择检查在这项工作中每个组合的参数，并得出最佳精度。4.3 总体数据分析流程图获得从WGAS原始数据之后，特征提取是通过提取6组特性方程进行公式（1）-（2）和实现训练算法，以获得所述跌倒检测。图6示出了WGAS系统的完整的数据分析的流程图。图6 数据分析流程图的WGAS的跌倒检测系统5 分类结果5.1分类结果 采用BP神经网络跌倒的检测在上两个T4进行采集WGAS数据并在腰部位置进行三个训练。该数据是使用一个1.7 GHz的PC与4 GB的RAM和Windows 8的操作系统以及MATLABR2013b的BP神经网络分类模型得到的。用于训练的BP神经网络分类器模型、训练、验证和测试数据集的数量被分成70-15-15和50-25-25百分比，分别为所有三个训练计划。 SCG，LM和RPROP训练计划的分级结果列在表4和表5中。从表4为在T4中，LM和RPROP中的数据获得最佳的整体正确检测率98.2（CDR）的训练 - 验证，测试（50 - 25 - 25）的数据集。并且从表5中的腰部位置，LM产生了98.70的总CDR的培训验证测试（70 - 15， - 15）的数据集，以及SCG产生了98.70的总CDR的培训 、验证、测试（50 - 25 - 25）的数据集。表4 BP神经网络从T4数据分类结果参数培训验证测试（70 - 15 - 15）培训验证测试（50 - 25 - 25）SCGLMRPROPSCGLMRPROP神经元的数目（输入）666666神经元的数目（存储）101010101010神经元的数量（输出）222222学习系数0.750.750.750.750.750.75的误差3.60%5.40%3.60%3.00%1.80%1.80%历元数1389131260培训*SCGLMNRPSCGLMNRP梯度0.0220.0030.4240.0290.00086.9e6优化培训时间（s）0.000.000.000.000.000.00训练数据集数（跌倒-不跌到）117 (35 - 82)117 (35 - 82)117 (35 - 82)83 (23 - 60)83 (23 - 60)83 (23 - 60)验证数据集数（跌倒-不跌到）25 (7 - 18)25 (7 - 18)25 (7 - 18)42 (16 - 26)42 (16 - 26)42 (16 - 26)测试数据集数（跌倒-不跌到）25 (9 - 16)25 (9 - 16)25 (9 - 16)42 (12 - 30)42 (12 - 30)42 (12 - 30)误分类数（培训）254200训练集CDR98.30%95.70%96.60%97.60%100.00%100.00%误分类数（验证）111000验证数据集CDR96.00%96.00%96.00%100.00%100.00%100.00%误分类数（测试）331333验证数据集CDR88.00%88.00%96.00%96.00%96.00%96.00%总体CDR96.40%94.60%96.40%97.00%98.20%98.20%特异性98.3%97.4%98.3%97.4%97.4%97.4%灵敏度92.2%88.2%92.2%96.1%100.0%100.0%* SCG：按比例共轭梯度; LM：文伯格 - 马夸特; RP：弹性传播。表5 BP神经网络从带位置数据的分类结果参数培训验证测试（70 - 15 - 15）培训验证测试（50 - 25 - 25）SCGLMRPROPSCGLMRPROP神经元的数目（输入）666666神经元的数目（存储）101010101010神经元的数量（输出）222222学习系数0.750.750.750.750.750.75的误差1.90%1.30%3.20%1.30%8.40%2.60%历元训*SCGLMRPSCGLMNRP梯度0.00640.00220.0430.0070.00370.0416优化培训时间（s）0.000.000.000.000.000.00训练数据集数（跌倒-不跌到）109 (36 - 73)109 (36 - 73)109 (36 - 73)77 (28 - 49)77 (28 - 49)77 (28 - 49)验证数据集数（跌倒-不跌到）23 (7 - 16)23 (7 - 16)23 (7 - 16)39 (12 - 27)39 (12 - 27)39 (12 - 27)测试数据集数（跌倒-不跌到）23 (7 - 16)23 (7 - 16)23 (7 - 16)39 (10 - 29)39 (10 - 29)39 (10 - 29)误分类数（培训）002070训练集CDR100.00%100.00%98.20%100.00%90.90%100.00%误分类数（验证）322222验证数据集CDR87.00%91.30%91.30%94.90%94.90%94.90%误分类数（测试）001042验证数据集CDR100.00%100.00%95.70%100.00%89.70%94.90%总体CDR98.10%98.70%96.80%98.70%91.60%97.40%特异性100.0%100.0%98.1%100.0%87.6%98.1%灵敏度94.0%96.0%94.0%96.0%100.0%96.0%* SCG：按比例共轭梯度; LM：文伯格 - 马夸特;RP：弹性传播. 其性能指标如特异性和灵敏度也计算通过使用方程（14） -（15），并在表4和表5所示。 (15) (16) 其中，TN（真阴性）是日常生活活动和DGIS正确分类，FP（误报）是日常生活活动和DGIS了未正确地向神经网络/ SVM的分类;TP（真阳性）是正确分类的跌倒和FN（假阴性）是不是由BP神经网络/ SVM检测的跌倒。5.2 分类结果使用SVM算法 跌倒检测使用SVM的是在两个T4和三个内核的带位置采取WGAS数据完成的。该数据是使用一个1.7 GHz的PC有2 GB的RAM，Ubuntu的9.04 OS的运行SVM-光V6.01获得。用于训练的SVM分类，训练，验证和测试数据集的数量被分成70-15-15，50-25-25百分比，分别为所有三个内核。所述SVM分类结果和最终参数示于98.8表6和表7的正确检测率（CDR）已经被通过取数据在T4为训练验证测试（70达到 - 15 - 15的）使用从RBF核数据集。表6 SVM分类结果从T4数据参数培训验证测试（70 - 15 - 15）培训验证测试（50 - 25 - 25）线性多项式RBF线性多项式RBFC-21-21-3-3优化培训时间（s）0.010.000.000.010.000.00训练数据集数115115115818181误分类数（培训）411511测试数据集数525252868686误分类数（试验）543552训练集CDR96.52%99.13%99.13%93.83%98.77%98.77%测试数据集CDR90.38%92.31%98.08%94.19%94.19%97.67%总体CDR94.61%97.01%98.80%94.01%96.40%98.20%特异性98.3%99.1%99.1%98.3%98.3%100.0%灵敏度86.3%92.2%94.1%84.3%92.2%94.1%* RBF：径向基函数。表7中 SVM分类结果从皮带位置数据参数培训验证测试（70 - 15 - 15）培训验证测试（50 - 25 - 25）线性多项式RBF线性多项式RBFC-62-63-3-3优化培训时间（s）0.010.000.000.020.000.00训练数据集数107107107767676误分类数（培训）521321测试数据集数484848797979误分类数（试验）211533训练集CDR95.32%98.13%99.07%96.05%97.37%98.68%测试数据集CDR95.83%97.92%97.92%93.67%96.20%96.20%总体CDR95.48%98.06%98.71%94.84%96.77%97.42%特异性100.0%97.1%99.0%99.0%95.2%97.1%灵敏度86.0%100.0%98.0%86.0%100.0%98.0%* RBF：径向基函数。 从表6到表7，我们在培训验证数据集的RBF核中测试（15-70-15）的腰部置达到98.71CDR。我们的定制无线步态分析传感器（WGAS）是简单的应用于实时自动跌倒的检测而使用训练有素的BP神经网络的输入6功能非常快速BP神经网络（BP神经网络），并且还搭配了支持向量机（SVM）分类。从表4-7所示，LM和RPROP训练BP网络具有最高的特异性为97.4，T4位置最高的灵敏度100。 SCG训练的BP神经网络实现了100的最高的特异性，训练有素的LM、BP神经网络具有100的带位置最高的灵敏度。类似地，径向基核SVM达到最高的特异性为100，T4位置94.1的灵敏度。线性核SVM具有100的最高的特异性，并且多项式核SVM具有100的灵敏度最高。总的来说，SVM显示稍低的灵敏度比BP神经网络。这可能是因为支持向量机使用一个RBF核作为激活函数，而BP神经网络使用双曲正切函数具有更好的识别精度。收集在该组的青年志愿者报告中初步数据表明，无论是否WGAS放置在T4或腰部的位置，我们的实时跌倒检测系统竞争性地进行。该WGAS的应用不仅可用于跌倒检测，同时也为步态分析。然而，为了使我们的跌倒检测工作是临床相关的，多一点数据，应在期间TTUHSC临床试验，以评估谨慎使用WGAS对患者的分类及其分类准确度的性能收集。我们WGAS已通过TTUHSC IRB（内部审查委员会），并在患者身上通过临床试验的平衡失调，初步结果看起来相当有前途的步态分化。参考文献1 Centers for Disease Control and Prevention (2015) Falls among Older Adults: An Overview.2 Jacob, J., Nguyen, T., Zupancic, S. and Lie, D.Y.C. (2011) A Fall Detection Study on the Sensor Placement Locations and the Development of a Threshold-Based Algorithm Using Both Accelerometer and Gyroscope. Proceedings of IEEE International Conference on Fuzzy Logics, Taipei, 27-30 June 2011, 666-671.3 Nukala, B.T., Rodriguez, A.I., Tsay, J., Hall, T., Nguyen, T.Q., Zupancic, S. and Lie, D.Y.C. (2014) Evaluating Optimal Placement of Real-Time Wireless Gait Analysis Sensor with Dynamic Gait Index (DGI). Actas IEEE Conference on Information Systems and Techno (CISTI), Barcelona, 18-21 June 2014, 160-161.4 Narasimhan, R. (2012) Skin-Contact Sensor for Automatic Fall Detection. Proceedings of IEEE International Engineering in Medicine and Biology Society (EMBS) Conference, San Diego, 28 August-1 September 2012,4038-4041.5 Perel, K.L., Nelson, A., Goldman, R.L., Luther, S.L., Prieto-Lewis, N. and Rubenstein, L.Z. (2001) Fall Risk Assessment Measures: An Analytic Review. Journals of Gerontology Series ABiological Sciences & Medical Sciences,56,M761-M766. 6 Duda, R.O., Hart, P.E. and Stork, D.G. (2001) Pattern Classification. 2nd Edition, Wiley-Interscience, New York.7 Dreiseitl, S. and Ohno-Machado, L. (2002) Logistic Regression and Artificial Neural Network Classification Models:A Methodology Review. Journal of Biomedical Informatics, 35, 352-359.8 Rumelhart, D.E., Hinton, G.E. and Williams, R.J. (1985) Learning Internal Representations by Error Propagation. In:Rumelhart, D.E. and McClelland, J.L., The PDP Group, Eds., Parallel Distributed Processing: Explorations in the Microstructure of Cognition, Volume 1, Foundations, MIT Press, Cambridge, 318-362.9 Moller, M.F. (1993) A Scaled Conjugate Gradient Algorithm for Fast Supervised Learning. Neural Networks, 6, 525-533. 10 Marquardt, D. (1963) An Algorithm for Least-Squares Estimation of Nonlinear Parameters. SIAM Journal on Applied Mathematic