Resumen

La precisión es un índice clave del reconocimiento de la marcha humana. En este artículo, proponemos un algoritmo mejorado de reconocimiento de la marcha, que combina la combinación de múltiples características y la colonia artificial de abejas para optimizar la máquina de vectores de apoyo (ABC-SVM). En primer lugar, teniendo en cuenta las características de complejidad de las señales de electromiografía de superficie (sEMG), se extraen cuatro tipos de características de las señales sEMG denotadas, incluyendo las características del dominio del tiempo de la integral del valor absoluto (IAV), la varianza (VAR), y el número de puntos de cruce de cero (ZC), las características del dominio de la frecuencia de la potencia media (MPF) y la frecuencia media (MF), y las características de la ondícula y la entropía difusa. En segundo lugar, se emplean los clasificadores SVM, el análisis lineal discriminante (LDA) y la máquina de aprendizaje extremo (ELM) para reconocer la marcha con las características obtenidas, incluidas las características de una sola clase, las características de combinación múltiple y las características optimizadas de reducción de la dimensión mediante el análisis de componentes principales (PCA). En tercer lugar, el coeficiente de penalización y el parámetro de la función kernel del clasificador SVM se optimizan mediante el algoritmo ABC, y se estudia la influencia de las diferentes características y clasificadores en los resultados del reconocimiento. Por último, se entrenan y reconocen las muestras de características seleccionadas para construir el clasificador SVM. Los resultados muestran que el rendimiento de clasificación del clasificador ABC-SVM es significativamente mejor que el del clasificador SVM no optimizado, y la tasa media de reconocimiento se incrementa en un 3,18%. Además, las muestras de características combinadas (dominio del tiempo, dominio de la frecuencia, wavelet y características de entropía difusa) no sólo mejoran la precisión de la clasificación de la marcha, sino que también mejoran la estabilidad del reconocimiento.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:clasificador svm, características de entropía difusa, características de dominio, análisis discriminante lineal, índice de humano, características de superficie, características de combinación múltiple, parámetros de la función kernel, combinación de características múltiples, máquina de vectores de apoyo
• Keywords:svm classifier, fuzzy entropy features, domain features, linear discriminant analysis, index of human, characteristics of surface, multiple combination features, kernel function parameters, multiple features combination, support vector machine