学位论文 > 优秀研究生学位论文题录展示

基于DCCA和MF-DCCA的步态信号的分析与研究

作　者: 王萍萍
导　师: 王俊
学　校: 南京邮电大学
专　业: 信号与信息处理
关键词: 步态信号最小二乘线性拟合去趋势互相关分析多重分形去趋势互相关分析
分类号: TN911.6
类　型: 硕士论文
年　份: 2012年
下　载: 18次
引　用: 0次
阅　读: 论文下载

内容摘要

在当今社会中，步态分析技术的研究不断地推动着其它学科的发展。基于不同个体之间所存在的不同步态特征实现非接触情况下的身份识别。此外，在医学分析中步态信号之间存在的相关性也为各种疾病的诊断提供了理论依据。神经系统或骨骼肌肉系统疾病是现今社会常见的病症，这些疾病会影响人的行走能力，从而产生异常步态。因此，对步态信号进行分析和研究有助于及时发现病症，得出诊断结果，提出诊疗方案。从而不断推动医学向前发展。首先，本文介绍了去趋势互相关分析法(Detrended Cross-Correlation Analysis，简称DCCA)。对步态信号进行最小二乘线性拟合及趋势消除，从而可以证明两个非平稳时间序列之间存在的互相关性，并且发现这种互相关性是长期存在并且保持稳定的。通过比较年轻人，老年人，帕金森患者的步态信号的互相关指数，发现两个步态信号之间的互相关性(即同组人群中的不同个体之间的互相关性)随着年龄增长以及健康状况的改变而逐渐减弱。其次，又介绍了另一种研究步态信号的方法，即多重分形去趋势互相关分析法(MultifractalDetrended Cross-Correlation Analysis，简称MF-DCCA)。该方法从不同的角度，通过不同的参数，证明步态信号的多重分形特性。从Hurst指数曲线，多重分形谱函数以及Renyi指数曲线都可以得出如下结论：老年人的步态信号的多重分形性强度最大，帕金森患者次之，年轻人最弱。

全文目录

摘要  4-5
Abstract  5-8
第一章绪论  8-17
  1.1 引言  8-9
  1.2 步态分析技术的发展和应用  9-11
    1.2.1 步态信号在身份识别技术中的应用  9-10
    1.2.2 步态信号在医学中的应用  10-11
  1.3 最小二乘拟合算法分析  11-13
  1.4 去趋势波动分析法  13-14
    1.4.1 DFA 简介  13-14
    1.4.2 DFA 算法的应用  14
  1.5 本文的研究内容  14-15
  1.6 本文内容安排  15-17
第二章多重分形和Hurst 指数理论  17-32
  2.1 分形理论概述  17-18
    2.1.1 分形理论的产生与发展  17
    2.1.2 分形的定义和应用  17-18
  2.2 分形的几个重要原则  18-22
    2.2.1 特征尺度  18-19
    2.2.2 标度不变性  19-20
    2.2.3 自相似性  20-21
    2.2.4 分形维数  21-22
  2.3 多重分形理论简介  22-27
    2.3.1 多重分形概述  22-25
    2.3.2 多重分形谱的计算方法分析  25-27
  2.4 Hurst 指数理论  27-31
    2.4.1 自相似过程  27
    2.4.2 自相似过程的Hurst 效应  27-28
    2.4.3 Hurst 指数计算方法  28-31
  2.5 本章小结  31-32
第三章步态信号的去趋势互相关分析  32-45
  3.1 互相关  32-33
  3.2 传统互相关分析方法  33-34
  3.3 去趋势互相关分析  34-35
    3.3.1 最小二乘线性拟合法  34
    3.3.2 DCCA 简介  34-35
  3.4 DCCA 用于不同生理病理状态下的步态信号分析  35-36
  3.5 实验结果和分析  36-43
  3.6 本章小结  43-45
第四章步态信号的多重分形去趋势互相关分析  45-55
  4.1 时间序列的多重分形性分析方法  45
  4.2 步态信号的多重分形去趋势互相关分析  45-47
    4.2.1 尺度函数  45-46
    4.2.2 算法的实现  46-47
  4.3 实验结果和分析  47-54
  4.4 本章小结  54-55
第五章总结和展望  55-57
  5.1 工作总结  55
  5.2 展望  55-57
参考文献  57-60
致谢  60-61
攻读硕士学位期间发表的论文  61

基于DCCA和MF-DCCA的步态信号的分析与研究

内容摘要

全文目录

相似论文