华西医学期刊出版社
关键词
  • 标题
  • 作者
  • 关键词
  • 摘要
高级搜索
高级搜索

搜索

找到 关键词 包含"高斯混合模型" 2条结果
  • 基于惯导信息的人体动作和路况识别

    人体动作和路况的快速准确识别是实现智能假肢自主控制的基础与前提。本文提出了一种基于假肢(下肢)惯导信号的高斯混合模型(GMM)和隐马尔可夫模型(HMM)融合的人体动作和路况识别方法。首先,使用惯性传感器采集膝关节处 x、y 和 z 轴方向上的加速度、角度和角速度信号,然后用时间窗截取信号段并用小波包变换消除信号的抖动噪声;接着对预处理后的信号进行快速傅里叶变换,提取其系数作为特征值;随后对特征进行主成分分析(PCA),去除冗余信息;最后采用高斯混合模型和隐马尔可夫模型进行假肢动作和路况识别。试验结果表明,本文方法对常规的动作(散步、跑步、骑行、上坡、下坡、上楼梯和下楼梯)的识别率分别达到 96.25%、92.5%、96.25%、91.25%、93.75%、88.75% 和 90%。同等试验条件下,将本文方法与常规的支持向量机(SVM)识别方法进行比较,结果显示本文方法的识别率明显较高。本文研究结果或可为智能假肢的监测和控制提供新的思路和途径。

    发表时间:2018-08-23 05:06 导出 下载 收藏 扫码
  • 基于高斯混合模型聚类的 B 超图像颈动脉内膜和中膜厚度检测

    内、中膜厚度是临床上用于评价动脉粥样硬化发展程度的主要指标。目前,基于 B 超图像测量内、中膜厚度通常由专业医生手动标记内、中膜边界来实现,过程繁琐耗时,人为影响因素多。本文提出了一种基于高斯混合模型(GMM)的聚类灰度阈值法,以检测 B 超图像中颈动脉内、中膜厚度。首先基于 GMM 对颈动脉图像灰度聚类,然后用灰度阈值法检测血管壁内、中膜的分界,最后测量二者的厚度。与直接使用灰度阈值法的测量技术相比,颈动脉 B 超图像的聚类解决了内、中膜灰度边界模糊的问题,从而提高了灰度阈值法的稳定性与检测精度。本研究选取 120 例健康颈动脉临床试验数据,以两名专家分别手动精细测量 4 次的内、中膜厚度的均值作为参考值,最终研究结果显示,经 GMM 聚类后估计的内、中膜厚度的归一化均方根误差(NRMSE)分别为 0.104 7 ± 0.076 2 和 0.097 4 ± 0.068 3;与直接进行灰度阈值估计的结果相比,NRMSE 的均值分别减小 19.6% 和 22.4%,表明本文所提方法测量精度有所提高;标准差分别减小 17.0% 和 21.7%,表明所提方法稳定性增加。综上,本文方法有助于动脉粥样硬化等血管疾病的早期诊断和病程监测。

    发表时间: 导出 下载 收藏 扫码
共1页 上一页 1 下一页

Format

Content