我們常見的分割算法有很多種，比如能量法，包絡線法之類的，但這些算法難以實現實時分割，今天我給大家分享一個原創的分割算法，是在以前項目中用過的，這兩天加以優化，最中整理了一個MATLAB版本的,給大家分享一下。
算法的原理簡單介紹一下：
這里給出了一段肌音信號（已經分割好了），是用加速度傳感器在手上采集的，每次完成一次動作，就會產生一個數據波動，如果我們需要分析這樣一段信號的特征，需要先將這些信號分割出來。
我們在分析時，主要任務時提取出信號幀起始點對應的數據索引，這里我寫了一個分割函數：
function [ST, EN] = SignalDivision(A)
%%宏定義
AF1 = 2; %放大因子，計算ADD
AF2 = 16; %放大因子，延申長度
AF3 = 3.5; %放大因子，判斷Frame
MAE = 0.95; %移動平均系數
%%中間變量
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); %移動平均
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);
這個函數主要工作機制是：
1，計算整個波段的數據波動性，用一個“平均斜率”的參數表征，即MeanAverSlope_3 函數的功能，然后再利用公式計算數據的標准差（C/C++的朋友可以自己寫一個計算標准差的函數），ADD是斷點延伸長度，因為我們判定產生動作的位置比較靠近數據峰值，因此起點需要往前擴展一定距離，終點往后擴展，而ADD即為擴展的長度。
2，利用移動平均的思想消除低頻噪音，這些無效的信號往往是由於手的緩慢移動等因素而產生的。我們可以對比消除前后的數據圖形：
消除前：
消除后：
對比過后，是不是就感覺這樣一處理分割起來就簡單多了
3，判斷數據的跳動性，當數據跳動值大於Sigma時，判定數據有跳動，記錄當前對應點的索引值，當一段時間之內還有其他值也大於Sigma時，刷新這個時間，如果沒有，則判定該跳動結束，並記錄結束位置的索引。然而該跳動是否由手的動作而產生還是環境噪音產生，我們還需要對其進行二次判定，當這段截取的信號中最大跳動值大於閾值 AF3*Sigma 時，才判定該動作有效，否則判定是環境因素產生的噪音。
4，整理數據幀的起始索引，存放於兩個向量中，並刪除其他數據值為0的點（一開始預分配了內存）
至此，我們的數據分割就完成了，接下來就是怎么用的問題了，由於我們對於數據是一個一個導入處理的（在一個大的for循環中），而不是一段一段或者整段處理，因此該算法具有實時性，非常適合在嵌入式設備中應用。
我們看一下對肌音信號的分割效果：
最后，我要感謝吳榮耀同學，在研究這個算法的時候他幫助了我很多。
覺得有幫助的話記得點贊轉發哦！