《表3 踝关节4种动作分类正确率Tab.3 Classification accuracy of four kinds of ankle movements》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于加速度信号多特征踝关节动作模式识别》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

在特征空间维数较高的情况下，支持向量机采用RBF核分类性能较好，能够减少计算量[9].本文选用RBF核作为SVM的核函数，通过网格搜索法得到最优核函数参数对（C，γ），最终确立SVM判别模型.本实验每种动作均有100个样本数据，选取60个样本作为训练集，其余40个样本作为测试集.将每一种单一特征以及融合后的11维特征向量分别依次输入支持向量机，进行踝关节动作分类，结果如表3所示.结果表明:不同ACC特征对应的踝关节动作平均分类正确率不同，对于5种单一特征的踝关节动作模式分类，Corr特征的分类结果最佳，识别正确率最高可达到91.3%，VAR特征分类结果最差，平均识别率仅为69.4%，对于AVA，SMV，SMA这3种ACC特征，平均识别率范围大致在80%到85%之间，其中AVA对于内翻、外翻两种动作的识别率最佳，SMV对于背伸和内翻两种动作识别率较好.将5种特征向量融合起来组成11b特征向量，每种动作相应识别率均可达到90%以上，动作模式分类正确率得到很大程度的提升.由此可见，基于加速度信号的踝关节动作模式识别，将多特征有效地融合，能够较好地提高动作识别正确率.