基于数据波动性的分割算法

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了基于数据波动性的分割算法，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含2927字，纯文字阅读大概需要5分钟。

内容图文

我们常见的分割算法有很多种，比如能量法，包络线法之类的，但这些算法难以实现实时分割，今天我给大家分享一个原创的分割算法，是在以前项目中用过的，这两天加以优化，最中整理了一个MATLAB版本的,给大家分享一下。

算法的原理简单介绍一下：

这里给出了一段肌音信号（已经分割好了），是用加速度传感器在手上采集的，每次完成一次动作，就会产生一个数据波动，如果我们需要分析这样一段信号的特征，需要先将这些信号分割出来。

 

 

 我们在分析时，主要任务时提取出信号帧起始点对应的数据索引，这里我写了一个分割函数：

function [ST, EN] = SignalDivision(A)

%%宏定义
AF1 = 2;    %放大因子，计算ADD
AF2 = 16;    %放大因子，延申长度
AF3 = 3.5;    %放大因子，判断Frame
MAE = 0.95; %移动平均系数

%%中间变量
L = max(size(A));
AS = MeanAverSlope_3(A);
Sigma = std(A);
ADD = AF1 * (Sigma / AS);
JF = false;
FF = false;
Counter = 1;
Index = 1;
MA = 0;

st = zeros(1, L);
en = zeros(1, L);
ST = zeros(1, L);
EN = zeros(1, L);

DATA_P = zeros(1, L - 1);
DATA_A = zeros(1, L - 2);
DATA_P(1) = A(1);
for i = 2 : L - 1
    DATA_P(i) = DATA_P(i-1) * MAE + A(i) * (1 - MAE); %移动平均
    DATA_A(i-1) = abs(A(i) - DATA_P(i));
    if DATA_A(i-1) > Sigma && ~JF
        JF = true;
        st(Counter) = i - ADD * AF2;
        if ~FF
            ST(Index) = st(Counter);
            FF = true;
        end
    elseif abs(DATA_A(i-1) < Sigma) && JF
        JF = false;
        en(Counter) = i + ADD * AF2;
        sep = en(Counter) - st(Counter);
        Counter = Counter + 1;
    end
    if JF
        if DATA_A(i-1) > MA
            MA = DATA_A(i-1);
        end
    elseif FF
        if i - en(Counter - 1) >sep
            EN(Index) = en(Counter - 1);
            FF = false;
            if MA > Sigma * AF3
                Index = Index + 1;
            end
            MA = 0;
        end
    end
end

ST(ST==0)=[];
EN(EN==0)=[];

function [AS] = MeanAverSlope_3(A)

L = max(size(A));
ALS = zeros(L-1, 1);
for i = 2:L
    ALS(i-1) = abs((A(i) - A(i-1)));
end

AS = mean(ALS);

这个函数主要工作机制是：

1，计算整个波段的数据波动性，用一个“平均斜率”的参数表征，即MeanAverSlope_3 函数的功能，然后再利用公式计算数据的标准差（C/C++的朋友可以自己写一个计算标准差的函数），ADD是断点延伸长度，因为我们判定产生动作的位置比较靠近数据峰值，因此起点需要往前扩展一定距离，终点往后扩展，而ADD即为扩展的长度。

2，利用移动平均的思想消除低频噪音，这些无效的信号往往是由于手的缓慢移动等因素而产生的。我们可以对比消除前后的数据图形：

消除前：

 

 消除后：

 

 对比过后，是不是就感觉这样一处理分割起来就简单多了

3，判断数据的跳动性，当数据跳动值大于Sigma时，判定数据有跳动，记录当前对应点的索引值，当一段时间之内还有其他值也大于Sigma时，刷新这个时间，如果没有，则判定该跳动结束，并记录结束位置的索引。然而该跳动是否由手的动作而产生还是环境噪音产生，我们还需要对其进行二次判定，当这段截取的信号中最大跳动值大于阈值 AF3*Sigma 时，才判定该动作有效，否则判定是环境因素产生的噪音。

4，整理数据帧的起始索引，存放于两个向量中，并删除其他数据值为0的点（一开始预分配了内存）

至此，我们的数据分割就完成了，接下来就是怎么用的问题了，由于我们对于数据是一个一个导入处理的（在一个大的for循环中），而不是一段一段或者整段处理，因此该算法具有实时性，非常适合在嵌入式设备中应用。

我们看一下对肌音信号的分割效果：

 

 

 

 

 

 

 

 

 

 最后，我要感谢吴荣耀同学，在研究这个算法的时候他帮助了我很多。

觉得有帮助的话记得点赞转发哦！

 

内容总结

以上是互联网集市为您收集整理的基于数据波动性的分割算法全部内容，希望文章能够帮你解决基于数据波动性的分割算法所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

---