基于SVM的骨质疏松识别算法

合集下载

基于深度学习的骨质疏松症诊断方法研究

基于深度学习的骨质疏松症诊断方法研究随着人口老龄化趋势的加剧，骨质疏松症已成为一种常见的疾病。

据统计，全球每年有超过900万例的骨折是由于骨质疏松症引起的，这严重影响了患者的生活质量和寿命。

因此，骨质疏松症的早期诊断和治疗非常重要。

传统的骨质疏松症诊断方法主要通过骨密度检测来判断，但是这种方法只能提供结构上的信息，并且有一定局限性。

近年来，深度学习技术的兴起为骨质疏松症的诊断和治疗打开了新的大门。

深度学习是人工智能的一个分支，它可以通过学习数据的方式提高模型的性能，对于一些复杂的数据分析和处理具有很好的效果。

在医疗领域，深度学习已经被广泛应用于医学影像分析、疾病预测和诊断等方面。

在骨质疏松症诊断中，深度学习技术可以对骨骼结构进行更加精准的检测和分析，为医生提供更多的信息和依据。

深度学习技术的应用使得骨质疏松症的诊断更加精确和便捷。

通过对大量的医学影像数据进行训练，深度学习模型可以准确地判断出骨质疏松症的风险，并且给出相应的治疗建议。

这种方法在精确度上比传统的骨密度检测方法高出很多，同时也可以提供更多的信息，如骨质改变的程度、位置和形态等。

然而，深度学习技术在骨质疏松症诊断中还面临一些挑战。

首先，由于骨骼结构的复杂性，数据量较大且多变，因此需要大量的数据和计算资源。

其次，深度学习技术的模型构建和优化需要经验丰富的技术人员，对于普通医生来说存在一定的门槛。

然而，随着深度学习技术的不断发展和数据采集和处理技术的改进，这些问题将逐渐得到缓解。

同时，深度学习技术对于骨质疏松症的诊断和治疗有着广泛的应用前景。

相信在不久的将来，这种技术将成为医疗领域的重要工具之一。

总之，深度学习技术为骨质疏松症的诊断和治疗提供了新的可能性。

它可以提高精确度、提供更多的信息和建议，并且可以促进医学影像的自动化分析和诊断。

通过不断地研究和应用，相信深度学习技术将会为医疗领域带来更多的惊喜和进步。

基于SVM的医学图像模式识别分类算法的研究

i=0 j=0
]
2
（3）相关性。 f3= （ij）p（i，j）-uxuy ∑∑ =0
i=0 j k-1 k-1
为样本点，因此超平面的表达式：
（4）逆差矩。 f4= ∑∑
i=0 j=0 k k
lxly
将上式改写： g（x）= ∑ aiyi ﹤ Байду номын сангаасi，x ﹥ +b
i=1 n
1 p（i，j） 1+（i-j）2
理论与探索 LiLunYuTanSuo
求知导刊
Journal of Seeking Knowledge Guide
2017 年 2 月 Feb.2017
文章编号：2095-624X（2017）05-0035-02
基于 SVM 的医学图像模式识别分类算法的研究
左亚灵
（浙江师范大学，浙江金华 321004）
摘要：由于关系到患者个人隐私，医学影像往往比其他各类图像更难收集到大量可利用的样本。因此文章选用具有小样本优势的 SVM（支持向量机）算法进行研究，并将其应用于乳腺 X 线影像的识别判断，达到对图像进行分类的效果。在实验中仅针对“发现异常”和“未发现异常”两种情况对图像样本进行分类，实验结果表明其分类精度可达到 80.6%。进一步研究可对预处理和特征提取的方法进行改进，并在样本训练过程中与粗糙集等理论方法相结合，来达到更高的分类精度。关键词：支持向量机；模式识别；乳腺 X 线图像中图分类号：TP391.41 文献标识码：A 收稿日期：2017-01-10 作者简介：左亚灵（1996—），女，河北张家口人，浙江师范大学学生，研究方向：计算机科学与技术。统计学习理论是一种专门的小样本统计理论，为一种有限样本情况下的模式识别方法，也就是本课题中所使用的支持向量机（SVM）。本文对乳腺 X 线图像人工判断方法进行简单介绍，基于此设计特征提取的基本方法构建数据库，再采用 SVM 算法将上述指标作为学习参数来进行训练，进而对图像进行辅助诊断。因此，本文中选定间隔固定，得到目标函数： ‖w‖2 f（x）=min 1 2 以及约束条件： c i（ x ） = y i（ w x i+ b ） - 1 ≤ 0 2. 特征提取本文主要从纹理特征及形状特征两方面进行特征提取，主要提取以下 7 个特征。（1）角二阶矩。 [ p（i，j）]2 f1= ∑∑

基于SVM的人体姿势识别

基于SVM的人体姿势识别一、引言随着物联网和智能家居的普及，人体姿势识别技术被广泛应用于人机交互、健康管理、安全监控等领域。

随着深度学习技术的崛起，人体姿势识别的精度得到了极大的提高。

但是，深度学习的计算量大、训练时间长，迭代效率低等问题仍然存在。

本文将介绍一种基于SVM（Support Vector Machine）的人体姿势识别算法。

二、相关工作传统的基于特征提取和分类器的方法已经得到了广泛的应用。

其中，HOG（Histograms of Oriented Gradients）特征是一种经典的特征提取方法。

HOG特征根据图像梯度方向统计各个局部区域内的梯度信息，将图像转换为梯度直方图表示。

在HOG特征的基础上，使用SVM分类器可以实现人体姿势的分类。

相比于深度学习，传统方法具有计算简单、运算速度快等优点。

三、算法流程1. 数据预处理：对图像进行裁剪和調整大小，使其符合训练模型的要求。

2. 特征提取：使用HOG特征提取方法将图像转换为特征向量。

3. 分类器训练：使用SVM对特征向量进行分类器的训练。

4. 姿势检测：将图像转换为特征向量，并使用SVM模型进行分类，判断图像中的人体姿势。

四、实验结果本算法使用了公开数据集FLIC（The FLIC Dataset）进行了实验，其中包含了10108个包含人体姿势标注的图像。

将数据集分为训练集和测试集，其中70%的数据用于训练，30%的数据用于测试。

实验结果表明，本算法在测试集上的分类准确率达到了95.4%。

五、优缺点分析优点：1. 算法计算简单、训练时间短、迭代效率高。

2. 可以应对较小的数据集进行分类。

3. 相比于深度学习，SVM方法更容易解释和理解。

缺点：1. SVM分类器对噪声敏感，会对分类结果产生影响。

2. SVM方法需要进行参数调整，不合适的参数会对算法的性能产生影响。

六、未来展望基于SVM的人体姿势识别在精度和性能方面都有一定的优势。

未来，我们可以探索如何将传统的方法和深度学习结合起来，实现更加高效、精确的人体姿势识别算法。

基于人工智能的骨密度图像处理与骨质疏松评估

基于人工智能的骨密度图像处理与骨质疏松评估随着人们生活水平的提高和老龄化人口的增长，骨质疏松症（Osteoporosis）已经成为世界范围内一种极其普遍的疾病。

骨质疏松是指骨骼中的骨量减少和骨质明显减弱，导致骨骼易碎或易发生骨折。

为了及早发现和准确评估骨质疏松症的程度，医学界利用人工智能技术开展了基于人工智能的骨密度图像处理与骨质疏松评估的研究。

基于人工智能的骨密度图像处理技术是指通过计算机技术对骨密度图像进行处理和分析，以便从中提取有关骨骼健康状况的信息。

这项技术主要包括图像预处理、特征提取和分类识别三个步骤。

首先，图像预处理是指对原始骨密度图像进行增强、去噪和边缘检测等处理，以提高图像的质量和减少信息的干扰。

图像增强技术可以通过调整图像的对比度和亮度，使骨骼的特征更加明显。

去噪技术可以消除图像中的噪声，使得骨骼的边缘更加清晰可见。

边缘检测技术可以识别和提取出图像中骨骼的边界信息，以便后续的特征提取和分类识别。

其次，特征提取是指从经过预处理的骨密度图像中提取有关骨骼健康状况的特征。

常用的特征包括直方图特征、纹理特征和形状特征等。

直方图特征可以描述图像中不同像素值的分布情况，从而反映出骨骼的密度分布情况。

纹理特征可以描述图像中骨骼表面的变化情况，从而反映出骨骼的结构特征。

形状特征可以描述图像中骨骼的整体形状特征，从而反映出骨骼的强度和稳定性。

通过提取这些特征，可以从骨密度图像中获取与骨骼健康状况相关的信息。

最后，分类识别是指利用机器学习和深度学习等人工智能技术，根据提取的特征对骨骼进行骨质疏松评估。

机器学习可以根据已有的骨密度图像和临床数据，训练一个分类器模型，用于对新的骨密度图像进行分类。

深度学习技术可以通过构建深层神经网络模型，自动学习和提取图像特征，从而实现更准确的分类和判断。

基于人工智能的骨密度图像处理与骨质疏松评估技术具有许多优势。

首先，它可以减少医生对骨密度图像的主观判断，减少人为误差。

亚洲人骨质疏松自我筛查公式

亚洲人骨质疏松自我筛查公式
亚洲人骨质疏松自我筛查公式是OSTA指数=（体重-年龄）×0.2。

根据这个公式计算出来的结果，可以判断发生骨质疏松的风险：
* 结果小于-4，属于高风险，要赶紧去医院进行治疗。

* 结果在-4～-1之间，属于中风险，最好也去医院咨询一下，看看有哪些最适合你的预防方法。

* 结果大于-1，属于小风险，说明发生骨质疏松的风险比较低。

此外，骨质疏松的高危人群包括老龄、绝经期女性、吸烟、过量饮酒、低体重、身高降低、缺乏锻炼、钙及Vitamin D摄入不足、高钠饮食、蛋白质摄入过高或者过低、使用糖皮质激素等影响骨代谢药物的人群。

如果有以上情况，建议提前进行筛查。

基于SVM-KNN的人体步态相位识别

基于SVM-KNN的人体步态相位识别作者：张语萌李志俊步子豪陶加贝来源：《科技视界》2019年第28期【摘要】本文对各种常用分类器进行优缺点分析，最后选择了基于阈值分割的SVM-KNN方法识别步态相位，并与SVM、KNN方法进行比较。

【关键字】外骨骼机器人;步态相位识别;SVM-KNN;阈值分割中图分类号： TP242 文献标识码： A 文章编号： 2095-2457（2019）28-0023-002DOI：10.19694/ki.issn2095-2457.2019.28.006【Abstract】In this paper， the advantages and disadvantages of various classifiers are analyzed. Finally， SVM-KNN method based on threshold segmentation is selected to identify gait phase， and compared with SVM and KNN methods.【Key words】Exoskeleton robot; Gait phase recognition; SVM-KNN; Threshold segmentation外骨骼机器人技术现如今已广泛地应用在军事、生活、医疗等方面，外骨骼的控制方式是基于人的运动意图来进行控制的。

目前有很多种方式可以获取人体的运动意图信号，根據不同的获取方式，可以简单地将控制方法分为三种：基于图像的方式、基于运动传感器的方式和基于生物电信号方式。

分类算法的选择对于判断人体的运动意图的准确性，提高人体平地行走的步态相位模式分类的准确率非常重要。

目前常用于模式分类的算法主要有神经网络、隐马尔可夫、模糊分类器、动态时间规整、支持向量机、K近邻法等。

1 基于SVM与基于KNN的分类识别方法1.1 基于SVM的分类识别方法支持向量机是一种二分类器，是针对线性可分类问题的最优化分类而提出的。

一种基于SVM分类的多类识别方法及应用

图 2 层次聚类树状图 Fig. 2 Hierarchical cluster dendrogram
层次聚类和一对一分类算法都可以对多类问题进行分类。层次聚类一般来说不是基于最优的思想, 而是通过反复的分区直至收敛, 找出一些近似的、未达最优标准的解决方案; 但是支持向量机恰是基于最优思想, 是借助于最优化方法解决机器学习问题的工具, 它依据结构风险最小化原则, 具有很好的推广能力。通过以上预测结果比较更加验证了这一点, 同时也能说明基于 SVM 的一对一分类方法能建立较好的多类分类模型。
Abstract: Suppor t Vect or Machine is a new optim izat ion t ool f or m achine learning , w hich mainly resolves tw o class pr oblems. T his paper intr oduces " one ag ainst one" appro ach, w hich is a mult i class classif icat ion method of SVM . 31 Chinese t ea samples were as experim ent mat er ials, 8 sam ples w ere randomly chosen for measure, and the rest 23 samples w er e modeling ag gregat e. T he result sho w ed t hat t he classificat ion accu r acy of measured samples w as 100% , but t he accuracy w as 87. 5% using the H ierarchical clust er. " one a g ainst one" approach w ould have g ood apply f oreground on agricult ure and bioscience. Key words: support v ect or machine; one against o ne; Chinese t ea

学经典~威廉姆斯13版l骨质疏松和骨生物学l02-骨重塑及其调控

学经典~威廉姆斯13版l骨质疏松和骨生物学l02-骨重塑及其调控**CK'sEndocrine Notes骨质疏松和骨骼生物学(Osteoporosis and Bone Biology)威廉姆斯内分泌学第13版Chapter 29, Section VII要点：•根据最近的发现，骨骼的功能意义已经得到了彻底的重新挖掘。

例如，除了被认为是骨骼的经典角色的机械支持和矿物储存之外，矿化的间充质组织还输出对循环磷酸盐、全身能量代谢和胰岛素敏感性的调节至关重要的肽。

因此，我们现在对骨骼及其在维持矿物质和代谢体内平衡中的作用有了更完整的了解。

•骨质疏松症是最常见的骨代谢疾病，对生活质量和死亡率有很大影响，因为它对骨强度有负面影响。

在过去的30年里，骨折的危险因素已经得到了详尽的研究。

与此同时，骨重塑的生物化学标记和分别用于评估骨代谢和结构的放射检查现在被用于骨折易感性的早期识别。

•由于我们对导致骨质流失的机制的认识迅速提高，用于预防骨折的成本效益高的药物的开发已经加快。

此外，正在进行的研究指出了更多更有效的治疗骨质疏松症的药物。

•本章重点介绍骨重塑单位的代谢方面及其对激素、遗传和环境变化的反应，以及其对组织体内平衡的重要性。

与其他慢性疾病的治疗方案不同，骨质疏松症治疗处于独特的地位，每周、每月、每半年甚至每年给药可能足以完成成功的治疗。

骨质疏松症医学的当前挑战是定义那些有早期骨骼衰竭风险的女性(有时是男性)。

目录：（本部分已标红）•历史背景•骨骼生物学•骨重塑及其调控•骨质疏松症和骨折的流行病学•骨质疏松症的发病机制•骨质疏松症的治疗方法Chen Kang CK医学科普2019.10第二部分骨重塑及调控内容：•重塑概述•重塑的局部调节•全身激素和骨重塑重塑概述成人骨量由两个过程决定:青春期获得峰值骨量和成年后的骨丢失。

骨量的变化源于骨重塑周期中的生理和病理生理过程，最终可导致骨骼脆弱。

这方面女性最容易受伤害的时期是加速线性生长的青春期(10-16岁)和生命后期(通常是绝经后不久(45-60岁))。

基于SVM的医学图像模式识别分类算法的研究

基于SVM的医学图像模式识别分类算法的研究作者：左亚灵来源：《求知导刊》2017年第05期三、训练及结果分析本课题中选用的医学图像数据为乳腺X线图像，全部示例图像均来自MIAS图像库，该图像库中包含322张乳腺X线图像，并分为三大类：正常、良性和恶性（异常），其中正常的208例，良性63例，恶性51例，后两类都划分为不正常。

本课题中只分为“正常”和“异常”两类，良性和恶性都归为“异常”类中。

本文采用10重交叉验证的方法，将数据库中的全体图像随机分为十份，其中一份用作测试集，另外九份用作训练集，依次轮换，直到每份样本都做了一次测试集，即进行了十次训练和预测。

实验结果如右图所示，最终平均分类精度为79.2%。

本实验中的支持向量机虽然证明了其可行性，但从结果来看，不仅准确度不够高，实验过程中最高精确度与最低精度相差也比较大，表明分类器的稳定性还不够，猜测可能与随机分类中图片分类分组也有一定关系，在进一步研究中可对其分组分类进行记录，来研究其中的关系。

四、结束语基于本文中的实验方法，还可以在此基础上从以下方面进行改进，以提高精确度。

（1）本课题是在考虑SVM适用于小样本训练的前提下进行的，但如果用于大量样本的实验训练，则空间复杂度和时间复杂度也会大大增加。

（2）现已有多种基于提高识别率的优化算法，但如果要进一步优化分类算法，还应考虑提高训练速度。

此外，以上两点的结合以及最终问题就是增量学习和在线学习。

无论什么样的算法，都不能直接保证其在任何时间地点都能进行百分之百准确的运算，但是如果用于应用中不断学习的在线学习，则可以使准确率无限接近于百分之一百，这是比现有算法都要更加实用的小样本分类算法。

参考文献：[1]田捷，包尚联，周明全.医学影像处理与分析[M].北京：电子工业出版社，2003.[2]Ma J，Theiler J，Perkins S.Accurate online support vector regression[J].Neural Computation，2003（11）.[3]汪辉.增量型支持向量机回归训练算法及在控制中的应用[D].杭州：浙江大学，2006.。

骨密度仪中基于稀疏表示的多参量骨质疏松分类判决方法[发明专利]

专利名称：骨密度仪中基于稀疏表示的多参量骨质疏松分类判决方法
专利类型：发明专利
发明人：沈毅,潘文磊,金晶,王艳,章欣
申请号：CN201410366117.1
申请日：20140729
公开号：CN104146732A
公开日：
20141119
专利内容由知识产权出版社提供
摘要：本发明公开了骨密度仪中基于稀疏表示的多参量骨质疏松分类判决方法，其步骤如下：步骤一、构造大小为N的训练样本库W，测量训练样本库里每一个样本的BMD，并测量MSS、BUC、BUA及SOS；步骤二、对训练样本库W的样本按照量测BMD值由小到大进行排序；步骤三、构造其骨质疏松特征参量集向量序列；步骤四、构造骨质疏松等级矩阵；步骤五、根据每个骨质疏松等级矩阵量测数据，训练组量测词典；步骤六、利用量测词典对待测样本稀疏表示系数进行筛选，确定所属骨质疏松等级。

该判决方法综合利用了超声透射及背散射中的多种参量构造特征参量集，以该参量集为基础进行分类判决。

本发明应用于医学检测、特征分类领域。

申请人：哈尔滨工业大学
地址：150000 黑龙江省哈尔滨市南岗区西大直街92号
国籍：CN
更多信息请下载全文后查看。

一种基于计算机的骨质疏松筛查方法和装置[发明专利]

专利名称：一种基于计算机的骨质疏松筛查方法和装置专利类型：发明专利
发明人：钱宇,金聪
申请号：CN201810597633.3
申请日：20180612
公开号：CN108877950A
公开日：
20181123
专利内容由知识产权出版社提供
摘要：本发明公开一种基于计算机的骨质疏松筛查方法和装置，所述方法包括如下步骤：获取基本参数，所述基本参数包括人口学参数、身体参数和生活习惯参数；对上述基本参数进行数据处理，分别得到人口学特征值、身体特征值和生活习惯特征值；将上述人口学特征值、身体基本特征值和生活习惯特征值相加得到骨质疏松筛查值。

本发明所述的骨质疏松筛查方法，筛查过程只需输入基本参数，装置自动进行数据处理，得到相应的骨质疏松筛查值，快速、精准；而且，在使用过程中无需使用X线等放射源，不会对被筛查者和环境造成辐射污染，被筛查者在家中或任何有网络终端的地方都可以进行测试，对硬件、环境、时间的依赖度低，便于骨质疏松筛查的普及和健康宣教。

申请人：绍兴市人民医院
地址：312000 浙江省绍兴市中兴北路568号
国籍：CN
代理机构：绍兴市知衡专利代理事务所(普通合伙)
代理人：王余粮
更多信息请下载全文后查看。

基于pso-svm的膝关节软骨分割算法研究

ABSTRACTEarly diagnosis of osteoarthritis is very important, it’s clinical manifestations are usually cartilage degeneration and disappearance. Through the articular cartilage imaging and image processing, we can capture the changes of cartilage and achieve early diagnosis. Automatic segmentation of the articular cartilage images is an important part of whole image processing, with advantages of objectivity, quantifiable etc. Unfortunately, at present there are very few published reports on automatic segmentation method of articular cartilage images. Most of existing methods relate to single method, so their effectiveness are not satisfying, so it is very necessary to research for an efficient automatic segmentation method for articular cartilage images.Based on the analysis above, with the knee MRI sequences as the research object, we make use of a variety of image segmentation algorithm, to achieve an efficient method of automatic segmentation for articular cartilage images. This method is used to segment the cartilage tissue accurately and quickly, so that it can provide a powerful tool for clinicians to calculate the thickness and volume of cartilage tissue，and observe the changes of the thickness and volume of different periods, for diagnosis and treatment. There exist the problems of complex texture, serious noise, fuzzy boundaries between cartilage and non-cartilage in articular cartilage image, affecting the segmentation results. In order to solve these problems, we did the main works as follows:1) First , study and propose the improved adaptive Canny edge detection operator, by calculating the gradient value of each image and iteration to get the image’s best threshold; then proposes a method of PSO - SVM to classify the edges in order to solve the problem of missing and seized the edge extraction, thus better reserving the cartilage edge and achieving the precise positioning of cartilage.2) With the new similarity criteria based on difference of regional gray, solve the ineffective problem of traditional region growing algorithm relying on the local nature of the image to determine the growth of fixed criteria. In addition,we use PSO to optimize the adjustment coefficient of the new similarity criterion,improving the performance of the improved region growing algorithm.Finally, we organize experiments to compare this improved region growing method with some othersegmentation method.The research results of this thesis will provide automatic segmentation of articular cartilage image a new solution，so as to provide a new theoretical basis and methods for promoting the early diagnosis of arthritis based on images, and has a certain theoretical value and practical significance.Keywords: Knee joint MRI; Articular cartilage segmentation; Region growing; Support vector machine; Edge detection目录中文摘要 (I)英文摘要 (III)1 绪论 (1)1.1 课题背景和研究意义 (1)1.2 国内外研究现状 (2)1.2.1 医学图像分割方法的研究现状 (3)1.2.2 软骨分割的研究现状 (4)1.2.3 智能算法用于医学图像分割的研究现状 (5)1.3 论文结构安排 (6)2 相关方法基本原理 (7)2.1 医学图像分割 (7)2.1.1 医学图像分割的基本原理 (7)2.1.2 医学图像分割的特点 (7)2.2 本文相关的分割算法 (8)2.2.1 Canny边缘检测法 (8)2.2.2 区域生长算法 (11)2.3 本文相关的智能处理算法 (14)2.3.1 粒子群优化（PSO）算法概述 (14)2.3.2 支持向量机（SVM）概述 (18)2.4 本章小结 (23)3 基于PSO-SVM和Canny算子的关节软骨边缘提取方法研究 (25)3.1 图像数据来源 (26)3.2 软骨边缘提取流程 (27)3.3 自适应Canny边缘检测算法 (28)3.4 基于PSO-支持向量机（PSO-SVM）的软骨边缘提取算法 (30)3.4.1 图像边缘的特征提取 (31)3.4.2 实验样本以及数据预处理 (32)3.4.3 基于PSO优化SVM的软骨边缘的分类 (33)3.5 软骨分类结果分析 (35)3.6本章小结 (37)4 结合边缘定位的关节软骨区域生长方法 (39)4.1 基于软骨定位的区域生长法具体流程 (39)4.2 基于PSO的改进区域生长算法 (40)4.2.1 种子点的选取 (40)4.2.2 改进的相似性准则 (40)4.3 结合软骨边缘的改进区域生长 (42)4.4 本章小结 (44)5 实验结果与分析 (45)5.1 医学图像分割的评价标准及软骨分割的评价参数 (45)5.2 改进方法的结果对比 (46)5.2.1 与金标准实验结果进行对比 (46)5.2.2 本文改进方法的有效性 (47)5.3 本文方法主要中间结果展示 (48)5.4 与水平集、蛇模型方法的对比 (48)5.5 关节软骨分割效果的定量分析 (50)5.6 本章小结 (51)6 总结与展望 (53)6.1 论文总结 (53)6.2 未来工作的展望 (53)致谢 (55)参考文献 (57)附录 (63)A 作者在攻读学位期间所取得的成果 (63)B 作者在攻读学位期间参与的科研项目 (63)1 绪论1.1 课题背景和研究意义骨骼疾病和关节紊乱是造成人体活动性障碍的主要因素，也是造成人体健康问题的主要原因之一。

基于TSAＧSVM_的老人跌倒识别算法

第３８卷第２期２０２４年３月兰州文理学院学报(自然科学版)J o u r n a l o fL a n z h o uU n i v e r s i t y ofA r t s a n dS c i e n c e (N a t u r a l S c i e n c e s )V o l ．３８N o ．２M a r ．２０２４收稿日期:２０２３Ｇ０６Ｇ１０基金项目:安徽高校自然科学研究项目(K J ２０２０A ０３０９)作者简介:董明飞(１９９３Ｇ),男,安徽滁州人,在读硕士,研究方向为智能检测．E Ｇm a i l :１６７９８３６０９３＠q q．c o m．㊀∗通信作者:张梅(１９７９Ｇ),女,安徽宿州人,副教授,研究方向为物联网应用㊁智能检测与故障诊断．E Ｇm a i l :１４９６６００７２＠q q．c o m．㊀㊀文章编号:２０９５Ｇ６９９１(２０２４)０２Ｇ００３４Ｇ０６基于T S A ＧS VM 的老人跌倒识别算法董明飞,张㊀梅∗(安徽理工大学电气与信息工程学院,安徽淮南２３２００１)摘要:针对老人跌倒检测易受环境影响以及检测不够精确易出现误判的问题,提出了一种基于人体动作传感器的老人跌倒识别检测算法,采用被囊群算法(T S A )优化支持向量机(S VM )模型进行跌倒识别．针对人体动作传感器采集的数据,首先进行特征提取㊁降维等预处理,然后将预处理后的数据输入S VM 模型进行训练,同时利用T S A 算法寻找S VM 最优参数,得到最优的跌倒识别模型,利用该模型即可进行跌倒识别．实验结果表明,本文所提算法的跌倒识别检测正确率可达９６％以上,具有一定的优越性．关键词:人体动作传感器;跌倒识别;S VM 模型;T S A 算法中图分类号:T P １８１㊀㊀㊀文献标志码:AE l d e r l yF a l lR e c o g n i t i o nA l go r i t h mB a s e do nT S A ＧS V M D O N G M i n g Ｇfe i ,Z HA N G M e i ∗(S c h o o l o fE l e c t r i c a l a n d I nf o r m a t i o nE ng i n e e r i n g,A n h u iU n i v e r s i t y o f S c i e n c e a n dT e c h n o l o g y,H u a i n a n２３２００１,A n h u i ,C h i n a )A b s t r a c t :F o r t h e e l d e r l y f a l l d e t e c t i o n i s e a s y t o b e a f f e c t e db yt h e e n v i r o n m e n t a n d t h e d e t e c Ｇt i o n i sn o t a c c u r a t ee n o u g ht oc a u s em i s j u d g m e n t ,i nt h i s p a p e r ,an e w m e t h o do fd e t e c t i n ga n d i d e n t i f y i n g e l d e r l y f a l l sb a s e do nh u m a n m o t i o ns e n s o r i s p r o p o s e d ．T h ea l go r i t h m u s e s t h eT u n i c a t eS w a r m A l g o r i t h m (T S A )S u p p o r tV e c t o rM a c h i n e (S VM )m o d e l f o r f a l l r e c o g Ｇn i t i o n ．F o rh u m a na c t i o ns e n s o rd a t a ,f i r s t l y,f e a t u r ee x t r a c t i o n ,d i m e n s i o nr e d u c t i o na n d o t h e r p r e p r o c e s s i n g a r ec a r r i e do u t ,a n dt h e nt h e p r e p r o c e s s i n g d a t a i s i n p u t i n t ot h eS VM m o d e l f o r t r a i n i n g ．A t t h e s a m e t i m e ,T S Aa l g o r i t h mi su s e d t o f i n d t h eo pt i m a l p a r a m e t e r s o f S VMt oo b t a i n t h e o p t i m a l f a l l r e c o g n i t i o n m o d e l ,w h i c hc a nb eu s e d f o r f a l l r e c o g n i t i o n ．T h e p r o p o s e da l g o r i t h m sa c c u r a c y s u r p a s s e sc a n９６％,ar e m a r k a b l es u p e r i o r i t y,a se v i Ｇd e n c e db y t h e e x pe r i m e n t a l r e s u l t s ．K e y wo r d s :h u m a nm o t i o n s e n s o r ;f a l l r e c o g n i t i o n ;S VM m o d e l ;T S Aa l g o r i t h m 0㊀引言随着社会老龄化问题的日益加深,独居老人的安全问题日趋严重．当老人发生跌倒等意外事件而没有得到及时的救治时,有可能会给老人带来难以挽回的伤害,甚至直接导致死亡．因此,提高对老人的跌倒检测准确率就显得极为重要[１]．目前的老人跌倒检测主要分为三大类:①基于视频图像的跌倒检测,根据视频序列中人体姿态㊁人体骨架序列等信息动态检测人体行为[２Ｇ３];②基于穿戴式传感器的跌倒检测,通过穿戴在人体身上的传感设备采集人体姿态信息,再根据人工智能算法进行跌倒检测[４Ｇ５];③使用视频检测技术来检测老人跌倒,虽然有很高的准确率,但其对环境的要求很高,实验成本昂贵,在推广过程中会受到限制．与传统的视频检测方式相比,可穿戴式跌倒检测技术的设计和制作更加简单㊁成本更加低廉,这使得它在用户中间得到了普遍的认可,并且受到了大力推广．因此,本文对基于可穿戴传感器的老人跌倒检测算法展开研究．跌倒检测即判断人体是否处于跌倒状态,实质上是数据分类问题．S VM (S u p po r tV e c t o rM a Ｇc h i n e ,S VM )作为一种传统的分类算法,其中的惩罚参量c 和核函数参数g 对模型的精度有重大的影响,但仅仅依靠自身的优化算法,采用手动调节效率太低,因此,需要利用优化算法进行参数寻优．S a t n a m K a u r [６]在２０２０年提出了一种全新的生物启发式优化算法即被囊群优化算法(T u n i Ｇc a t eS w a r m A l g o r i t h m ,T S A ),它将喷气推进行为与群体觅食行为相结合,来模拟海洋中被囊动物群体觅食行为,从而使算法变得极易操作,可以快速找到最佳结果,并且不需要考虑任何复杂因素,通过T S A 使分类达到更高精度,大大改善了传统S VM 算法的性能．因此,T S A 已经广泛应用于各种复杂的计算机辅助设计和研究,获得了显著的效果．1㊀算法描述1.1㊀SVM 算法S VM 算法的核心是寻找分类效果最好的分界平面,该平面在确保分类效果的同时,间隔距离也要最优[７]．对于线性可分的情况,以二分类为例,设数据样本为(x i ,y i ):x i ɪR ,yi ɪ(－１,１),i ＝１,２,３, ,n ;设超平面为:w T∗x ＋b ＝０,(１)式中:w 为垂直向量;b 为原点到超平面的距离;x 为数据集中的特征集．要获得最好的分类效果,设置超平面的限制条件为:d ＝y w T ∗x ＋b ()ȡ１,(２)式中:d 为支持向量到超平面的距离;x 为数据集中的特征集;y 为数据集中的标签集．要使得要求距离d 最大,则:∅m i n ＝１２∗ w ２,(３)式中: w 表示法向量w 的二阶范数．求解线性可分S VM 步骤如下:S t e p１．构建拉格朗日函数为了获得约束条件下最优化平面,需构建拉格朗日函数,令:φw ,b ,r ()＝ w ２２－ðni ＝１r i yi w x i ＋b ()－１[],(４)式中:r i ȡ０,i ＝１,２, ,n ;x i ɪR ,i ＝１,２,３, ,n ．S t e p２．利用强对偶性转化根据式(３)和式(４),引入数学K K T 公式,令w 和b 的偏导为０,得到:m i n w ,bηw ,b ,r ()＝ðnj ＝１r j －１２ðni ＝１ðnj ＝１r ir j y i y j x i x j ,(５)式中:r i ȡ０,i ＝１,２, ,n ;r j ȡ０,j ＝１,２, ,n ．S t e p３．求最优解r ∗＝r ∗１,r ∗２, ,r ∗n ()T,(６)式中:r ∗表示求得的最优向量解．S t e p４．求参数w 和b w ＝ðmi ＝１r i yi x i ,(７)b ＝y s －w ys ,(８)式中:r i ȡ０,x i 为样本特征集;yi 为样本标签集．S t e p５．构造出最大超平面w T ∗x ＋b ＝０,(９)f x ()＝si g n w ∗x ＋b (),(１０)式中:由w 和b 构成最优分类平面,该平面能实现样本集的最优分类;s i g n 为符号函数,用于构成样本集的决策函数,实现样本集的分类预测．1.2㊀TSA 算法T u n i c a t e 是一种独特的生物,它们可以通过流体喷射的方式在海洋中自由移动,并且可以从海洋中发现食物来源．然而,在给定的搜索空间中,被膜动物通过喷气推进和群体智能两种行为来寻求食物来源．为了更好地理解喷气推进行为,被膜动物需要满足３个基本要求,即避免种群间的矛盾㊁朝着最优的搜索目标移动和保持与目标的距离．随着时间的推移,群体将不断调整其位置,以满足每个个体的需求,T S A 算法步骤如下５３第２期董明飞等:基于T S A ＧS VM 的老人跌倒识别算法所述．(１)避免搜索位置冲突．为了有效地消除搜索过程中可能存在的位置冲突,我们将向量A ң用于表示新的个体搜索位置,计算公式为:A ң＝G ңMң,(１１)G ң＝c ２＋c ３－F ң,(１２)F ң＝２ c １,(１３)式中:G ң代表重力;F ң代表深海中的水流平流;变量c １,c ２,c ３表示[０,１]上的随机数．M ң表示个体之间的互相作用力,具体的计算公式为:M ң＝P m i n ＋c １ P m a x －P m i n ()[],(１４)式中:P m i n ,P m a x 分别代表两个个体之间的交互的起点速度和终点速度,通常将它们的值定义为１和４．(２)向最优邻居方向移动．为了避免领域之间的矛盾,我们应该寻找最优的邻居,其计算公式为:P D ң＝F S ң－r a n dP p ңx (),(１５)式中:P D ң代表食物源和搜索目标之间的距离;F S ң代表食物源的位置;x 代表当前迭代的次数;P p ң(x )代表被捕获的目标位置;r a n d 代表[０,１]之间的随机数．(３)向最优位置靠拢．搜索个体可以保持其朝向最优搜索个体(即食物源)的位置,计算公式为:P p ңx ᶄ()＝F S ң＋A ңP D ң,r a n d ȡ０．５,F S ң－A ң P D ң,r a n d ＜０．５．{(１６)式中:P p ң(x ᶄ)表示更新后的位置．(４)群体行为．通过数学模拟,我们可以确定被囊动物的群体行为,其中包括两个最佳解,一个是最优搜索,另一个是根据最优搜索结果更新其他搜索个体的位置．被囊动物的群体行为[８]计算公式为:P p ңx ＋１()＝P p ңx ()＋P p ңx ＋１()２＋c １．(１７)T S A 算法的基本流程如下[９]:(１)初始化种群P ;(２)初始化种群参数和边界条件;(３)计算每个个体的适应度值;(４)搜索最佳个体的位置;(５)通过观察群体的行为来调整每个成员的位置;(６)重新定位超出预设搜索范围的个体位置;(７)评估群体中每个个体的适应能力,如果表现出良好的改进效果,则进行更新;(８)如果不符合停止条件,则停止算法,并重复执行(５)~(８),若符合条件,则继续执行,直至达到预期的结果;(９)返回最优值．2㊀基于TSA ＧSVM 的老人跌倒检测算法㊀㊀为了提高老人跌倒的检测准确率,本文提出一种基于T S A ＧSVM 的老人跌倒检测算法,其算法原理如图１所示．图１㊀T S A ＧS V M 的老人跌倒检测算法原理㊀㊀根据图１可以看出,在跌倒检测方面,S VM算法的优势在于它的惩罚因子c 以及核函数参数g ,这些都有助于提升算法的准确率．此外,还可以使用被囊群优化算法(T S A )来优化S VM 算法,以获取更优的结果．其中,以训练集为训练对象,验证集的准确率为寻优算法的适应度值,测试集为寻优后的最优参数所得最优模型的诊断对象．基于T S A ＧS VM 的老人跌倒检测过程如下:(１)读取人体动作信号数据样本;(２)建立特征工程,包括特征提取和数据降维;(３)参数寻优,利用T S A 对S VM 参数寻优;(４)跌倒检测,训练老人跌倒检测模型,并进行测试;(５)输出检测结果．６３㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀兰州文理学院学报(自然科学版)㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第３８卷3㊀实验结果及分析3.1㊀数据预处理本文实验数据来源于U C I 机器学习存储库中的跌倒数据集,数据集通过人体动作传感器采集角速度㊁加速度等人体动作数据．该公开数据集由１７名志愿者完成２０组跌倒动作和１６组日常活动动作,且每组动作重复５次,共收集３０６０组数据．该数据为数列时域信号,数据量大,无法直接进行模型训练,这里首先进行数据预处理,数据预处理过程包括特征提取和数据降维．３．１．１㊀特征提取针对人体的动作信号,我们通常采用的特征提取方法为时域分析法,这种方法是直接从时域数据中提取特征向量,提取速度快,在嵌入式设备中得到了广泛应用[１０]．在跌倒检测中主要采用三轴加速度传感器和三轴陀螺仪传感器来采集跌倒信号,所以每个采样点可以采集到６种时域变量,可表示为:X ＝a x ,a y ,a z ,w x ,w y ,w z (),(１８)式中:a x ,a y ,a z 代表物体受到力的作用,其加速度沿着X ,Y ,Z３条轨道运动;w x ,w y ,w z 分别表示其角速度分量在w 的３个轴上的运动．S MV ＝a ２x ＋a ２y ＋a２z 为合成加速度,S V ＝w ２x ＋w ２y ＋w ２z 为合成角速度．文中研究了５种不同的活动方式,包括１种平衡运动和４种摔倒,观察它们的合力和夹角的变化情况,具体情况如图２~６所示．由图２~６可见,与正常行走相比,当跌倒动作发生时,合加速度与合角速度的特征变化非常明显．由于传感器采集到的信号属于高维信号数图２㊀向前走的合加速度合角速度曲线图３㊀向前倒的合加速度合角速度曲线图４㊀向后倒的合加速度合角速度曲线图５㊀向右倒的合加速度合角速度曲线据,需要对数据进行特征量提取来实现降维处理,从而方便在模型中进行训练．时域特征统计量是一种重要的数据来源,它包括均值(A v g)㊁标准差(S t d )㊁最大值(M a x )㊁最小值(M i n )等,如图２中的向前走合加速度合角速度的１２种特征值,具体情况如表１所列,从而更好地掌握数据的变化趋势．３．１．２㊀特征向量的降维通过分析１２种特征统计量,并结合１０种变７３第２期董明飞等:基于T S A ＧS VM 的老人跌倒识别算法量,最终获得了１２０种特征,组成了初始跌倒特征向量集,由于时域分析法生成的特征向量种类太多,可能导致模型的维度受损,影响跌倒检测分类算法的性能,因此,还需要采用更有成效的方法来降低特征向量的维度．图６㊀向左倒的合加速度合角速度曲线表１㊀图２中参数对应的特征值特征值符号S MVS V最大值M a x １４．１９１１０．９５８０最小值M i n７．７１７４０．００２８均值A v g ９．８８８００．１８２１峰峰值P k ６．４７３８０．９５５３方差V a r ０．８７６７０．０４４７标准差S t d０．９３６３０．２１１３峭度K u r ７．５４８３３．３１２４偏度S k １．４７４２１．１５２０波形因子S １．００４５１．５３１０峰值因子C ０．６５１８３．４２６０脉冲因子I ０．６５４７５．２４５４裕度因子L０．６５６１７．７４０９㊀㊀本文采用多维尺寸转换法(M u l t iD i m e n Ｇs i o n a l S c a l i n g ,M D S )对数据进行有效的降维,并将其转换为更加清晰的三维结构,具体如图７所示．由图７可见,在三维空间里,日常活动和跌倒具有较为明确的界限,有利于模型的训练和检测．3.2㊀跌倒识别结果及分析将预处理后的特征集进行模型训练测试,在实验数据中取５２５组数据用于模型的训练测试．按７:３的比例对模型进行训练和测试,这里分别利用S V M 模型及其优化模型R S O ＧS V M ㊁T S A ＧS V M 进行跌倒识别检测,实验结果如图８~１０所示．图７㊀降维后的聚类效果由图８~１０可知,T S A ＧS VM 模型对跌倒的判断具有更高的精确度．图８㊀S V M跌倒识别结果图９㊀T S A ＧS V M 跌倒识别结果(下转第４４页)２０２２,４４(５):７６Ｇ８３．[７]WA N GC Y,B O C H K O V S K I Y A,L I A O H Y M,e t a l．Y O L O v７:t r a i n a b l e b a gＧo fＧf r e e b i e s s e t s n e ws t a t eＧo fＧt h eＧa r t f o r r e a l t i m eo b j e c td e t e c t o r s[C]//P r o c e e dＧi n g so f t h e I E E E/C V FC o n f e r e n c eo nC o m p u t e rV iＧs i o na n d P a t t e r n R e c o g n i t i o n．H a w a i i:I E E E,２０２３:７４６４Ｇ７４７５．[８]HUJ,S H E NL,A L B A N I ES,e t a l．S q u e e z eＧa n dＧe x c iＧt a t i o n N e t w o r k s[J]．I E E E T r a n s a c t i o n so n P a t t e r n A n a l y s i s a n d M a c h i n e I n t e l l i g e n c e,２０２０,４２(８):２０１１Ｇ２０２３．[９]S A N G H Y U N W,J O N G C HA N P,J O O NＧY O U N G L,e t a l．C B AM:c o n v o l u t i o n a l b l o c ka t t e n t i o n m o d u l e [C]//E u r o p e a nC o n f e r e n c e o nC o m p u t e rV i s i o n,M uＧn i c h:S p r i n g e r,２０１８:３Ｇ１９．[１０]史瑞鹏,钱屹,蒋丹妮．一种基于卷积神经网络的疲劳驾驶检测方法[J]．计算机应用研究,２０２０,３７(１１):３４８１Ｇ３４８６．[责任编辑:李㊀岚](上接第３８页)图１０㊀R S OＧS V M跌倒识别结果4㊀结语本文提出基于人体动作传感器的老人跌倒识别算法,将T S A与S VM模型相结合,充分发挥了T S A算法的寻优优势,提高了算法的整体识别性能,具有较高的精确度,在生产成本㊁实用性等方面具有一定的优越性．参考文献:[１]MA N E MA N N S M,C HAM B E R L A I N A M,B O Y D C M,e ta l．F a l lr i s ka n do u t c o m e sa m o n gp a t i e n t s h o s p i t a l i z e d w i t hc a r d i o v a s c u l a rd i s e a s ei nt h ec o mＧm u n i t y[J]．C i r c u l a t i o n:C a r d i o v a s c u l a r q u a l i t y a n d o u t c o m e s,２０１８,１１(８):３８７Ｇ３９６．[２]B E D D I A RDR,O U S S A L A H M,N I N IB．F a l l d e t e cＧt i o nu s i n g b o d yg e o m e t r y a n dh u m a n p o s e e s t i m a t i o n i nv i d e o s e q u e n c e s[J]．J o u r n a l o fV i s u a l c o mm u n i c aＧt i o na n d i m a g e r e p r e s e n t a t i o n,２０２２,８２:１１０２Ｇ１１１３．[３]MA I W E I J I A N．Af a l l d e t e c t i o na l e r t s y s t e m b a s e d o n l i g h t w e i g h to p e n p o s ea n ds p a t i a lＧt e m p o r a l g r a p h c o n v o l u t i o nn e t w o r k[J]．J o u r n a lo f p h y s i c s:c o n f e rＧe n c e s e r i e s,２０２１,３５(１):５３４Ｇ５４２．[４]AMA T O F,B A L Z A N O W,C O Z Z O L I N O G．D e s i g n o f a w e a r a b l eh e a l t h c a r ee m e r g e n c y d e t e c t i o nd e v i c e f o r e l d e r p e r s o n s[J]．A p p l i e ds c i e n c e s,２０２２,１２(５):６８Ｇ８６．[５]WA R R I N G T O N DJ,S HO R T I SEJ,WH I T T A K E R PJ．A r ew e a r a b l e d e v i c e s e f f e c t i v e f o r p r e v e n t i n g a n d d e t e c t i n g f a l l s:a nu m b r e l l ar e v i e w(ar e v i e wo f s y sＧt e m a t i c r e v i e w s)[J]．B M C p u b l i c H e a l t h,２０２１,２１(１):７６９Ｇ７８１．[６]屈迟文,彭小宁．信息共享的记忆被囊群算法[J]．模式识别与人工智能,２０２１,３４(７):６０６Ｇ６１８．[７]黄英双,曹辉．改进人工蜂群算法优化支持向量机及应用[J]．计算机应用与软件,２０２１,３８(２):２５９Ｇ２６３．[８]崔东文,杨琼波．基于T S AＧD R N N模型的年径流预测研究[J]．华北水利水电大学学报(自然科学版),２０２１,４２(６):３５Ｇ４１．[９]梁建明,何庆．莱维飞行和反馈策略的自适应被囊群算法[J]．小型微型计算机系统,２０２３,４４(１):６８Ｇ７４．[１０]李雷,张帆,施化吉,等．穿戴式跌倒检测中特征向量的提取和降维研究[J]．计算机应用研究,２０１９,３６(１):１０３Ｇ１０５．[责任编辑:李㊀岚]。

基于计算机模拟技术的骨质疏松症研究进展

基于计算机模拟技术的骨质疏松症研究进展骨质疏松症是一种常见的骨科疾病，主要表现为骨密度降低和骨质减少，容易导致骨折。

全球范围内，估计约有2.12亿人患有骨质疏松症，其中女性比男性更容易罹患。

随着人口老龄化程度的不断加快，骨质疏松症已经成为严重的公共卫生问题。

同时，该疾病对个体和社会的经济负担也越来越沉重。

因此，研究骨质疏松症的发病机制，预防和治疗措施，具有重要的实际意义。

在近几十年里，计算机模拟技术已经成为研究骨质疏松症领域的重要工具之一。

计算机模拟技术指的是利用数学模型和计算机算法，对复杂的现象进行数量模拟和分析。

在骨质疏松症研究中，计算机模拟技术可用于模拟骨组织的过程和变化，来深入了解疾病的发病机理、预测病情、制定治疗计划等方面。

骨的代谢过程是骨骼维持和修复的基础，失衡的骨代谢是骨质疏松症的主要原因之一。

计算机模拟技术可模拟骨细胞的活动，了解骨代谢过程的分子机制，以及细胞间相互作用和信号传导方式，从而为疾病的诊断和治疗提供理论基础。

此外，计算机模拟技术还可以通过建立三维骨骼模型，对疾病的结构变化和骨量损失进行定量分析，进一步揭示骨质疏松症的发生机制。

目前，计算机模拟技术在骨质疏松症方面的研究主要涉及以下方面：一、力学模拟力学模拟是计算机模拟技术在骨质疏松症研究中的一个重要应用领域。

通过建立骨骼力学模型，计算机模拟技术可以定量分析骨骼的机械性能，包括应力和应变分布、变形和刚度等，从而研究骨骼的组织结构和力学性质对骨质疏松症的影响。

例如，一项研究通过计算机模拟技术创建了一个三维骨骼力学模型，用于探索不同阶段骨折后骨组织康复过程的机理。

该研究表明，骨细胞和骨髓间的相互作用对骨折后的康复过程的影响很大，进一步说明了骨代谢平衡对骨质疏松症治疗的重要性。

二、生物力学模拟生物力学模拟是计算机模拟技术在骨质疏松症研究中的另一个应用领域。

生物力学模拟主要研究骨骼的内部负荷分析，可以帮助研究者更好地理解骨骼结构的力学特性，进而预测骨折的发生概率。

利用级联SVM的人体检测方法

利用级联SVM的人体检测方法
李同治;丁晓青;王生进
【期刊名称】《中国图象图形学报》
【年(卷),期】2008(013)003
【摘要】从图像中检测出人体是计算机视觉应用中的关键步骤.通过一个由简到繁的级联线性SVM分类器将级联拒绝的机制与梯度方向直方图特征相结合,实现了一个准确和快速的人体检测器,整个检测器由级联的线性SVM分类器组成.实验结果表明,在保持Dalal算法检测准确性的同时,大幅的提高了检测速度,每秒平均可以处理12帧左右的320×240的图像.
【总页数】5页(P566-570)
【作者】李同治;丁晓青;王生进
【作者单位】清华大学电子工程系,智能技术与系统国家重点实验室,北京,100084;清华大学电子工程系,智能技术与系统国家重点实验室,北京,100084;清华大学电子工程系,智能技术与系统国家重点实验室,北京,100084
【正文语种】中文
【中图分类】TP391.4
【相关文献】
1.基于HOG和SVM的人体检测技术在静态图像中的研究 [J], 程和生;胡幸福
2.级联SVM和分类器融合的人脸性别识别方法 [J], 李昆仑;张炘
3.一种基于线性SVM的级联分类器的构造方法 [J], 安平;吴涛;贺汉根
4.基于SVM和SRC级联决策融合的SAR图像目标识别方法 [J], 吴天宝;夏靖波;黄玉燕
5.基于级联SVM和全数字接收机的复合调制识别 [J], 赵永宽;沈雷;王希琳;张铭宏因版权原因，仅展示原文概要，查看原文内容请购买。

基于支持向量机优化的人体动作识别方法

基于支持向量机优化的人体动作识别方法刘一松;韩建飞【期刊名称】《信息技术》【年(卷),期】2017(000)004【摘要】针对传统的基于支持向量机(SVM)在人体运动识别方法中仅单一地采用“一对一”识别策略并输出识别结果,忽略动作种类较多的时候,导致的识别效率低下,识别精确度不高的情况,提出了UPOP策略.UPOP策略采用了基于SVM的改进策略进行动作的识别,在识别的时候根据分类器的识别精度对DAG SVM策略进行改进,并在输出结果的时候输出识别结果和相对应的置信度,利用置信度对识别结果进行处理.通过实验,文中方法的识别率为98.3％,验证了UPOP策略的有效性,实现了高效率、高准确度的人体动作识别.%The traditional human motion recognition methods based on support vector machine (SVM) only use one to one recognition strategy and output results,when the kinds of the actions are large,the recognition efficiency is low and the recognition accuracy is low.This paper proposes UPOP strategy and uses the strategy based on SVM method to recognize the state of users'movement.According to the recognition accuracy of classifier,it updates the DAG SVM.it gets the recognition results and confidence degrees when recognizing the samples.The experiments prove that the mechanism is practical and accurate,the recognition rate is 98.3％.The recognition results are high accuracy and high efficiency by using the confidence degree.【总页数】5页(P153-156,164)【作者】刘一松;韩建飞【作者单位】江苏大学计算机科学与通信工程学院,江苏镇江212013;江苏大学计算机科学与通信工程学院,江苏镇江212013【正文语种】中文【中图分类】TP18;TP312【相关文献】1.基于支持向量机优化的人体动作识别方法 [J], 王晋2.一种基于MHI和支持向量机的人体动作识别方法分析 [J], 马新录3.一种基于MHI和支持向量机的人体动作识别方法 [J], 周佳琪;智敏4.一种基于MHI和支持向量机的人体动作识别方法 [J], 周佳琪;智敏5.基于表面肌电和混合算法优化支持向量机的绝缘杆类工器具舒适度评估方法 [J], 吴田;夏圆;刘志华因版权原因，仅展示原文概要，查看原文内容请购买。

骨骼检测算法

骨骼检测算法是一种技术，用于检测和分析人体骨骼的关键点。

这种算法通常用于运动分析、健康监测、虚拟现实和增强现实等领域。

骨骼检测算法通常采用机器学习和计算机视觉技术，通过分析人体图像或视频，自动检测出人体骨骼的关键点位置。

这些关键点包括肩部、肘部、手腕、臀部、膝盖和脚踝等，通过检测这些关键点，可以进一步分析人体的姿态、动作和运动轨迹等。

骨骼检测算法通常需要经过大量的标注数据训练，以不断提高检测准确率。

目前，深度学习技术是骨骼检测算法的主流方法，其中卷积神经网络（CNN）是最常用的模型之一。

除了深度学习技术，骨骼检测算法还可以采用其他技术，如特征工程、模型匹配等。

在实际应用中，根据具体需求和场景选择合适的算法和技术是至关重要的。

基于增量SVM的可继续学习微钙化点检测算法概要

基于增量SVM的可继续学习微钙化点检测算法摘要针对乳腺癌的计算机辅助诊断中存在的新样本不断出现的问题，提出基于增量SVM(support vector machine)的微钙化点检测算法，对于出现的新样本，首先用KKT条件判断其是否能被当前的分类器正确分类，若新样本能被正确地分类，说明新样本不是支持向量，无需训练新的分类超平面，若新样本不能被正确地分类，则将新的样本与原分类器的支持向量集一起构成新的训练样本集，重新构造支持向量集，适时地调整最优分类面，更新分类器。

该方法避免了传统的利用所有样本重新形成分类器的复杂运算。

实验结果表明，该算法有效地实现了医学图像计算机辅助诊断的在线优化升级。

关键词支持向量机；增量学习；微钙化点检测；在线检测1 引言目前的乳腺癌计算机辅助诊断算法中，基于支持向量机SVM的微钙化点检测算法因为取得了较高的检出率、更低的假阳性并且形成的分类器具有更好的泛化能力[1~3]，而受到了广泛的重视。

人们相继提出了各种改进方法来进一步提高微钙化点检测的检出率，降低检测结果中的假阳性，以及提高检测效率。

但是在诊断的过程中，由于乳腺癌病例样本个体差异性比较大，会不断出现新的病例样本，传统的方法在处理这类问题时，抛弃了历史的训练结果，对新样本集进行重复训练，这种方法由于样本数较多，求解二次优化使得训练算法很复杂、耗时长，影响了乳腺癌计算机辅助诊断算法的在线更新。

Syed[4]最早提出了基于支持向量机的增量学习算法。

增量学习的主要任务就是利用历史训练结果尽量避免样本的重复训练，得到比较准确的分类结果，并且训练规模不太大，得到了广泛的应用[5-7]。

针对乳腺癌的计算机辅助诊断中存在的新样本不断出现这一问题，本文首次提出将增量学习的思想引入微钙化点检测中，来实现对分类器的更新，以达到在线更新优化分类器的目的，缩短了软件优化的时间。

2 支持向量机SVM是基于统计学习理论的机器学习技术。

在人脸识别、语音识别、手写数字识别和文本检测等问题中已经得到了广泛的应用，并且算法精度超过了传统的神经网络算法。