基于FFT-SCSHO-SVM的老人跌倒檢測(cè)算法

張 婕,張 梅

(安徽理工大學(xué) 電氣與信息工程學(xué)院,安徽 淮南 232001)

隨著中國(guó)現(xiàn)代化經(jīng)濟(jì)的不斷發(fā)展和人口老齡化的不斷加劇,獨(dú)居老人跌倒問(wèn)題日趨嚴(yán)重,若老人在跌倒之后不能得到及時(shí)的救治,將會(huì)誘發(fā)一系列老年疾病,甚至導(dǎo)致死亡,故提高老人跌倒檢測(cè)效率變得至關(guān)重要[1]。常見(jiàn)的老人跌倒檢測(cè)方法有兩種:(1)基于視頻檢測(cè),根據(jù)視頻序列中人體的姿態(tài)、人體骨架序列等信息動(dòng)態(tài)檢測(cè)人體行為[2-3]。(2)基于可穿戴傳感器檢測(cè),通過(guò)運(yùn)動(dòng)傳感器采集人體姿態(tài)信息,提出人工智能技術(shù)進(jìn)行跌倒檢測(cè)[4-6]。使用視頻來(lái)檢測(cè)老人跌倒,雖然有很高的準(zhǔn)確率,但其對(duì)環(huán)境要求高,實(shí)驗(yàn)成本昂貴,在推廣過(guò)程中容易受限制。而基于人體動(dòng)作傳感器的老人跌倒檢測(cè),具有成本低、效率高、算法易于優(yōu)化和適用性廣等優(yōu)勢(shì),故本文對(duì)基于可穿戴傳感器的老人跌倒檢測(cè)算法展開(kāi)研究。

在科技現(xiàn)代化高速發(fā)展的背景下,一大批智能算法隨之涌現(xiàn),科研人員將一些智能算法應(yīng)用到老人跌倒檢測(cè)中,老人跌倒檢測(cè)效率得以提高。常見(jiàn)的智能算法包括支持向量機(jī)(Support Vector Machine,SVM)、隨機(jī)森林(Random Forest,RF)和徑向基函數(shù)(Radial Basis Function,RBF)神經(jīng)網(wǎng)絡(luò)等,每個(gè)智能算法均有各自的優(yōu)缺點(diǎn)。馬英楠等應(yīng)用SVM對(duì)老人跌倒進(jìn)行預(yù)測(cè),該文獻(xiàn)通過(guò)粒子群算法(Particle Swarm Optimization,PSO)和基因算法(Genetic Algorithm,GA)優(yōu)化SVM參數(shù),其模型精度為87.5%,但仍存在訓(xùn)練速度慢、檢測(cè)樣本量小等問(wèn)題[7]。王曉雷等應(yīng)用RBF神經(jīng)網(wǎng)絡(luò)算法檢測(cè)老人跌倒?fàn)顟B(tài),根據(jù)RBF神經(jīng)網(wǎng)絡(luò)來(lái)區(qū)分老人跌倒和日常活動(dòng)行為,當(dāng)RBF模型的隱含層達(dá)在一定數(shù)量時(shí),其模型的平均檢測(cè)精度達(dá)到96%。但在跌倒檢測(cè)過(guò)程中,RBF模型的隱含層數(shù)量確定起來(lái)十分困難,易耗費(fèi)大量的訓(xùn)練時(shí)間[8]。任小奎等提出基于PSO模式搜索優(yōu)化SVM的跌倒檢測(cè)算法,該方法先進(jìn)行數(shù)據(jù)預(yù)處理,包括時(shí)域特征提取和奇異值分解降維,將模式搜索算法和PSO算法相結(jié)合,對(duì)SVM進(jìn)行參數(shù)尋優(yōu),將優(yōu)化后的模型用于跌倒檢測(cè)。肖巍等研究了一種基于SVM的人體跌倒檢測(cè)方法,使用K-L變換方法提取特征,采用PSO算法優(yōu)化SVM模型中的參數(shù),最后進(jìn)行跌倒檢測(cè),這兩篇文獻(xiàn)均取得了較好的檢測(cè)效果,證明了SVM模型在跌倒檢測(cè)領(lǐng)域取得了一定的成效[9-10]。上述文獻(xiàn)所使用的老人跌倒檢測(cè)方法雖然取得了較好的效果,但仍存在檢測(cè)精度不高和檢測(cè)效率低等問(wèn)題。

跌倒檢測(cè)即判斷人體是否處于跌倒?fàn)顟B(tài),實(shí)質(zhì)上是數(shù)據(jù)分類(lèi)問(wèn)題。SVM是經(jīng)典的分類(lèi)算法,單一的SVM算法難以滿足精度要求,而SVM中的懲罰參數(shù)c和核函數(shù)參數(shù)g影響著模型的分類(lèi)精度,因此需要利用優(yōu)化算法進(jìn)行參數(shù)尋優(yōu)。SHO算法通過(guò)數(shù)學(xué)建模模擬斑點(diǎn)鬣狗群體捕食行為,具有較好的尋優(yōu)效果和自適應(yīng)性能力,但SHO算法仍存在易于陷入局部最優(yōu)和全局搜索能力差的問(wèn)題。而常見(jiàn)的特征提取方法為時(shí)域分析法,即直接從時(shí)域數(shù)據(jù)中提取均值、方差和峰值等時(shí)域特征,該方法不能對(duì)信號(hào)特征進(jìn)行準(zhǔn)確地描述,無(wú)法充分反映人體運(yùn)動(dòng)特征信息,從而影響模型的檢測(cè)精度。針對(duì)上述問(wèn)題,本文提出一種基于FFT特征提取的改進(jìn)SHO-SVM跌倒檢測(cè)方法。本算法將改進(jìn)SHO算法(Sine Cosine weighting Spotted Hyena Optimizer,SCSHO)全局搜索能力強(qiáng)和局部開(kāi)發(fā)能力強(qiáng)的優(yōu)點(diǎn)與SVM出色的分類(lèi)能力相結(jié)合,并依靠FFT捕獲波形信息,深入分析信號(hào)特征,檢測(cè)精度得以提高。

本文提出的基于FFT-SCHO-SVM的老人跌倒檢測(cè)算法核心內(nèi)容如下:基于快速Fourier變換的特征提取方法;使用FFT將原始數(shù)據(jù)集從時(shí)域映射到頻域,在頻域空間中分析振幅因子、波形因子等信息,并通過(guò)MDS降維,剔除冗余信息,最后做數(shù)據(jù)歸一化處理;并引入Sine混沌映射初始化和余弦適應(yīng)度權(quán)重策略改進(jìn)SHO算法,以解決SHO易陷入局部最優(yōu)和全局搜索能力差的問(wèn)題,結(jié)合SVM模型實(shí)現(xiàn)實(shí)時(shí)跌倒檢測(cè)。

1 算法描述

1.1 SVM算法

SVM算法的核心是尋找分類(lèi)效果最好的分界平面,該平面在確保分類(lèi)效果的同時(shí),間隔距離也要最優(yōu)[11-13]。

求解線性可分SVM步驟如下。

Step1:構(gòu)建拉格朗日函數(shù)。

為了獲得約束條件下最優(yōu)化平面,需構(gòu)建拉格朗日函數(shù)如式(1)所示。

(1)

式(1)中,ri≥0,i=1,2,…n,xi∈R,i=1,2,3,…,n。

Step2:利用強(qiáng)對(duì)偶性轉(zhuǎn)化。

根據(jù)約束條件式和拉格朗日函數(shù)式(1),引入卡羅需-庫(kù)恩-塔克條件,令w和b的偏導(dǎo)為0,得如式(2)所示。

(2)

式(2)中,ri≥0,j=1,2,…n,rj≥0,i=1,2,…,n。

Step3:求最優(yōu)解如式(3)所示。

r*=(r1*,r2*,…,rn*)T

(3)

式(3)中,r*表示求得的最優(yōu)向量解。

Step4:求參數(shù)w和b,如式(4)和(5)所示。

(4)

b=ys-wys

(5)

式(4)中,ri≥0,為樣本特征集,yi為樣本標(biāo)簽集。

Step5:構(gòu)造出最大超平面如式(6)和(7)所示。

wT*x+b=0

(6)

f(x)=sign(w*x+b)

(7)

式(6)和式(7)中,由w和b構(gòu)成最優(yōu)分類(lèi)平面,該平面能實(shí)現(xiàn)樣本集的最優(yōu)分類(lèi),sign為符號(hào)函數(shù)。

1.2 斑點(diǎn)鬣狗算法

1.2.1 斑點(diǎn)鬣狗算法

斑點(diǎn)鬣狗算法由Dhiman等人在2017年提出,主要模擬了斑點(diǎn)鬣狗群之間的協(xié)作捕食行為,在參數(shù)尋優(yōu)方面具有很好的適應(yīng)性,故得到廣泛地應(yīng)用[14]。

包圍獵物過(guò)程如式(8)和式(9)所示。

bh=|b·pp(x)-p(x)|

(8)

p(x+1)=pp(x)-e·dh

(9)

式(8)和式(9)中,p(x+1)為捕食者的新位置,b為搖擺因子,e為收斂因子。

b和e的計(jì)算過(guò)程如式(10)-式(12)所示。

b=2·r1

(10)

e=2h·r2-h

(11)

h=5-(x·(5/mx))

(12)

式(10)-式(12)中,r1和r2為隨機(jī)數(shù),mx為最大迭代次數(shù)。

追逐獵物過(guò)程如式(13)-(16)所示。

dh=|b·ph-pk|

(13)

pk=ph-e·dh

(14)

ch=pk+pk+1+…+pk+N

(15)

N=counti(Ph+Ph+1+…+(Ph+M))

(16)

式(13)-式(16)中,ph為最優(yōu)的解,pk為其他成員的解,ch為最優(yōu)解的集合,N為種群的數(shù)量。

攻擊獵物如式(17)所示。

p(x+1)=cn/n

(17)

式(17)中,p(x+1)為當(dāng)前最優(yōu)解,cn為最優(yōu)解的集合,n為捕食者的數(shù)量。

1.2.2 改進(jìn)斑點(diǎn)鬣狗算法

1.2.2.1 Sine混沌映射初始化

SHO算法隨機(jī)生成初始化種群,這種方法容易陷入局部最優(yōu)解,具有較差的尋優(yōu)性能差。而混沌映射算法由于具有遍歷性、隨機(jī)性等特點(diǎn),被廣泛地應(yīng)用到尋優(yōu)算法中,以改善尋優(yōu)算法性能[15]。受此啟發(fā),本文使用Sine混沌映射來(lái)初始化種群,Sine混沌映射的數(shù)學(xué)表達(dá)如式(18)所示。

xi+1=asin(πxi)

(18)

式(18)中,a∈(0,1),xi為迭代序列值。

1.2.2.2 引入余弦適應(yīng)度權(quán)重策略

引入曲線自適應(yīng)權(quán)重,通過(guò)調(diào)節(jié)曲線自適應(yīng)權(quán)重來(lái)協(xié)調(diào)全局分散和局部最優(yōu)的關(guān)系,并取得了很好的效果[16]。受其啟發(fā),本文引入余弦適應(yīng)度權(quán)重策略,當(dāng)個(gè)體斑點(diǎn)鬣狗的適應(yīng)度值陷入局部最優(yōu)時(shí),加大搜尋獵物的范圍;當(dāng)斑點(diǎn)鬣狗群體過(guò)于分散時(shí),減少搜尋獵物的范圍,在局部區(qū)域展開(kāi)精確的搜尋,從而平衡局部搜尋和全局分散的關(guān)系[17-18]。余弦適應(yīng)度權(quán)重計(jì)算過(guò)程如式(19)所示。

(19)

式(19)中,w為余弦適應(yīng)度權(quán)重,f為捕食者當(dāng)前的解,fav為平均解,wmin和wmax為余弦適應(yīng)度權(quán)重的最小值和最大值。

引入余弦適應(yīng)度權(quán)重策略對(duì)斑點(diǎn)鬣狗算法進(jìn)行改進(jìn)如式(20)所示。

e=(2h·r2-h)·w

(20)

式(20)中,e為收斂因子,r2為0到1的隨機(jī)數(shù),w為余弦適應(yīng)度權(quán)重因子。

2 跌倒檢測(cè)模型

2.1 基于FFT-SCSHO-SVM的老人跌倒檢測(cè)

為了進(jìn)一步提高老人跌倒檢測(cè)的效率,本文設(shè)計(jì)了一種基于FFT-SCSHO-SVM的老人跌倒檢測(cè)模型,其模型原理如圖1所示。

圖1 老人跌倒檢測(cè)模型原理框圖

由圖1可知,跌倒檢測(cè)模型采用SVM模型,SVM模型中的懲罰因子c和核函數(shù)參數(shù)g影響著模型的分類(lèi)精度,為提高模型檢測(cè)性能,采用改進(jìn)的斑點(diǎn)鬣狗尋優(yōu)算法尋找SVM模型中最優(yōu)的參數(shù),從而得到最優(yōu)檢測(cè)模型。其中以訓(xùn)練集為訓(xùn)練對(duì)象,驗(yàn)證集的準(zhǔn)確率為尋優(yōu)算法的適應(yīng)度值,測(cè)試集為尋優(yōu)后的最優(yōu)參數(shù)所得最優(yōu)模型的診斷對(duì)象。基于FFT-SCSHO-SVM的老人跌倒檢測(cè)過(guò)程如下。

(1)讀取人體動(dòng)作信號(hào)數(shù)據(jù)樣本。

(3)參數(shù)尋優(yōu),利用SCSHO算法對(duì)SVM參數(shù)尋優(yōu)。

(4)跌倒檢測(cè),訓(xùn)練老人跌倒檢測(cè)模型,并進(jìn)行測(cè)試。

(5)輸出檢測(cè)結(jié)果。

2.2 改進(jìn)SHO算法對(duì)SVM參數(shù)尋優(yōu)

針對(duì)SHO算法初始化種群多樣性差、容易陷入局部最優(yōu)解等問(wèn)題,本文引入Sine混沌映射初始化和余弦適應(yīng)度權(quán)重策略改進(jìn)SHO算法,算法流程圖如圖2所示。

由圖2可知,引入Sine混沌映射初始化和余弦適應(yīng)度權(quán)重策略改進(jìn)SHO算法,使算法具有更強(qiáng)的尋優(yōu)能力,進(jìn)而提高模型的檢測(cè)效果。

3 實(shí)驗(yàn)及分析

3.1 數(shù)據(jù)預(yù)處理

本文實(shí)驗(yàn)數(shù)據(jù)來(lái)源于UCI數(shù)據(jù)集,數(shù)據(jù)集通過(guò)人體動(dòng)作傳感器采集角速度、加速度等人體動(dòng)作數(shù)據(jù)。該公開(kāi)數(shù)據(jù)集由17名志愿者完成20組跌倒動(dòng)作和16組日常活動(dòng)動(dòng)作,且每組動(dòng)作重復(fù)5次。在數(shù)據(jù)集中取525組數(shù)據(jù)用于模型的訓(xùn)練測(cè)試,按7:3的比例對(duì)模型進(jìn)行訓(xùn)練和測(cè)試。由于傳感器采集的數(shù)據(jù)都是實(shí)時(shí)變化的信號(hào)源,無(wú)法直接用于模型的訓(xùn)練和測(cè)試,故需進(jìn)行數(shù)據(jù)預(yù)處理。

3.1.1 特征提取

對(duì)于人體動(dòng)作信號(hào),常用的特征提取法為時(shí)域分析法,該方法直接從時(shí)域數(shù)據(jù)中提取特征向量,所提取的特征向量不能充分反映人體運(yùn)動(dòng)特征,從而影響模型檢測(cè)質(zhì)量[19]。為此本文提出一種基于FFT的特征提取方法,首先使用FFT捕獲波形信息,得到頻域數(shù)據(jù)集,然后分析頻域數(shù)據(jù)集中的振幅因子、波形因子、脈沖因子、裕度因子和能量等特征,最后得到特征向量集。

“李倩倩呢？”易非問(wèn)，李倩倩是大弟弟的女朋友。易非把母親接過(guò)來(lái)后，弟弟自然跟著過(guò)來(lái)了，然后弟弟的女朋友也跟著過(guò)來(lái)了。一般情況下，這個(gè)點(diǎn)兒，她應(yīng)該跟媽一起窩在沙發(fā)上看電視的。

為了深入分析人體動(dòng)作信號(hào)在時(shí)域和頻域的特征信息,做人體動(dòng)作信號(hào)的時(shí)域圖和頻譜圖,如圖3所示。

由圖3可知,在時(shí)域圖中,人體動(dòng)作信號(hào)隨著時(shí)間變化,幅值變化集中在某一時(shí)間段,且樣本長(zhǎng)度不一致,不利于特征提取。而在頻譜圖中,幅值中存在一個(gè)尖銳的譜峰,而其他的頻率對(duì)應(yīng)的幅值波動(dòng)很小,因此FFT能將細(xì)微的信號(hào)特征放大,深入反映人體信號(hào)的構(gòu)成和特點(diǎn),便于特征提取。

為此本文通過(guò)FFT將原始數(shù)據(jù)集從時(shí)域映射到頻域空間,得到頻域數(shù)據(jù)集Y,如式(21)所示。

(21)

式(21)中,axn、ayn、azn為三軸加速度分量,san為合加速度,wxn、wyn、wzn為三軸角速度分量,swn為合角速度。

頻域數(shù)據(jù)集Y包含8種頻域特征向量,本文從頻域數(shù)據(jù)集Y中提取振幅因數(shù)、波形因數(shù)等12種特征信息,得到96種特征,構(gòu)成頻域空間下的特征向量集。提取的12種特征信息如表1所示。

表1 特征信息表

3.1.2 數(shù)據(jù)降維

進(jìn)行特征提取后可獲得多維特征向量集,但過(guò)高的維度將會(huì)干擾模型的計(jì)算效率,嚴(yán)重影響了建模速度,因此需要進(jìn)行大量數(shù)據(jù)降維計(jì)算。常見(jiàn)的降維方法主要有主成分分析法(Principal Component Analysis, PCA)、多維尺度變換法(Multidimensional Scaling,MDS)和線性判別分析法(Linear Discriminant Analysis,LDA)等,其中MDS被廣泛地用來(lái)分析多維度信息,并獲得最重要的信息成分,故本文使用MDS進(jìn)行數(shù)據(jù)降維。

本文使用MDS降維得到新的數(shù)據(jù)集BmXk,在降低維度的同時(shí),盡可能地不影響跌倒檢測(cè)的效果,在一定程度上減少了計(jì)算工作量,提高了檢測(cè)效率。MDS降維后的效果圖如圖4所示。

圖4 MDS降維后的效果圖

由圖4可知,MDS降維后,日常活動(dòng)行為和跌倒行為的聚類(lèi)效果明顯,剔除了高維特征數(shù)據(jù)集的冗余信息,保留了有用的特征信息,提高了數(shù)據(jù)樣本的辨識(shí)度,利于模型的訓(xùn)練和檢測(cè)。

3.1.3 數(shù)據(jù)歸一化

數(shù)據(jù)樣本的各種數(shù)據(jù)間的數(shù)值誤差大時(shí),會(huì)影響模型檢測(cè)的有效性。故采用等離差標(biāo)準(zhǔn)化的方式實(shí)現(xiàn)統(tǒng)計(jì)歸一化處理,從而減少了各指數(shù)之間的量綱差異。其計(jì)算如式(22)所示。

(22)

式(22)中,Xi(n)為歸一化后的樣本數(shù)據(jù),Xi為特征提取和降維后的數(shù)據(jù),Xmax為樣本中的最大值,Xmin為樣本中的最小值。

3.2 實(shí)驗(yàn)評(píng)估

為了驗(yàn)證本文提出的老人跌倒檢測(cè)算法和特征提取方法的有效性,設(shè)計(jì)了如下實(shí)驗(yàn)。

實(shí)驗(yàn)一:驗(yàn)證SCSHO尋優(yōu)算法的優(yōu)越性

以SVM作為分類(lèi)模型,分別采用PSO算法、SHO算法和SCSHO算法優(yōu)化分類(lèi)模型,對(duì)比檢測(cè)結(jié)果,驗(yàn)證SCSHO尋優(yōu)算法的優(yōu)越性。

實(shí)驗(yàn)二:驗(yàn)證特征提取方法的優(yōu)越性

分別使用時(shí)域分析法和基于Fourier變換的特征提取方法對(duì)跌倒檢測(cè)模型進(jìn)行了訓(xùn)練和試驗(yàn),驗(yàn)證本文所提出的特征提取方法的優(yōu)越性。

3.2.1 尋優(yōu)算法性能評(píng)估

為了驗(yàn)證SCSHO尋優(yōu)算法性能的優(yōu)越性,本文使用SVM模型,PSO-SVM模型、SHO-SVM模型和SCSHO-SVM模型進(jìn)行跌倒檢測(cè),結(jié)果如圖5和表2所示。

表2 四種模型結(jié)果對(duì)比表

(a)SVM

圖5對(duì)比了各模型的檢測(cè)效果,SVM模型準(zhǔn)確率為92.4051%,存在較大的漏報(bào)和假陽(yáng)性情況,檢測(cè)性能并不好;而PSO-SVM模型雖然增加了跌倒檢測(cè)的準(zhǔn)確率,但檢測(cè)效果仍不如SHO-SVM和SCSHO-SVM模型;SHO-SVM模型準(zhǔn)確率為97.4684%,檢測(cè)效果也有所提升;SCSHO-SVM模型準(zhǔn)確率為98.7342%,漏報(bào)和假陽(yáng)性概率明顯下降。對(duì)比各模型的檢測(cè)效果圖,可以得出SCSHO-SVM模型的準(zhǔn)確率最高,檢測(cè)效果也最優(yōu)。

由表2可知,本文提出的基于FFT-SCSHO-SVM模型取得較好的檢測(cè)效果,其中精確率、召回率和特異性等各項(xiàng)性能指標(biāo)均在98%以上,明顯高于PSO-SVM模型和SHO-SVM模型,由此說(shuō)明SCSHO算法尋優(yōu)性能優(yōu)于PSO算法和SHO算法,本文提出的跌倒檢測(cè)算法能更好地檢測(cè)老人跌倒情況。

為了進(jìn)一步分析算法的尋優(yōu)性能,本文將數(shù)據(jù)集拆分為訓(xùn)練集、測(cè)試集和驗(yàn)證集三部分,采用交叉驗(yàn)證的方法,以驗(yàn)證集檢測(cè)結(jié)果的錯(cuò)誤率為適應(yīng)度值,做PSO算法、SHO算法和SCSHO算法的適應(yīng)度收斂曲線圖,如圖6所示。

圖6 適應(yīng)度曲線圖

由圖6可知,PSO算法較早地收斂到局部最優(yōu)解,出現(xiàn)了早熟現(xiàn)象,全局尋優(yōu)效果最差,尋優(yōu)能力低于SHO算法和SCSHO算法;SHO算法的錯(cuò)誤率有所降低,但在迭代過(guò)程中適應(yīng)度值停留在某一個(gè)數(shù)值上,收斂速度慢,最后收斂到局部最優(yōu)解,而不是全局最優(yōu)解;與SHO算法相比,SCSHO算法迭代收斂速度快,容易較快地找到最優(yōu)解,避免了早熟現(xiàn)象,故SCSHO算法的尋優(yōu)性能更好。

3.2.2 特征提取方法評(píng)估

為驗(yàn)證本文特征提取方法的優(yōu)越性,使用時(shí)域分析法、基于快速Fourier變換的特征提取方法,在SCSHO-SVM模型上進(jìn)行實(shí)驗(yàn),其實(shí)驗(yàn)結(jié)果如圖7所示。

圖7 兩種特征提取方法的實(shí)驗(yàn)結(jié)果

分析圖7可知,在SCSHO-SVM模型檢測(cè)的基礎(chǔ)上,與時(shí)域分析法對(duì)比,基于快速Fourier變換的特征提取方法的準(zhǔn)確率提高了3%左右,精確度、召回率和特異性等指標(biāo)明顯更高。本文提出的特征工程建立方法在老人跌倒檢測(cè)上的效果更好,重點(diǎn)在于該方法提取了有用的特征向量,剔除了冗余信息。

4 結(jié)論

為了減少跌倒給老人造成的身體傷害,提高老人跌倒檢測(cè)的精確率和可靠性,本文提出基于快速Fourier變換的特征提取方法和基于SCSHO-SVM的檢測(cè)模型,并在數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn),得出如下結(jié)論:

(1)采用時(shí)域分析法提取的特征向量存在大量冗余信息,影響模型檢測(cè)效果,本文提出的特征工程建立方法能更好地提取人體運(yùn)動(dòng)特征,在歐式空間中更具辨識(shí)度。

(2)基于FFT-SCSHO-SVM的跌倒檢測(cè)算法準(zhǔn)確率達(dá)到98.7342%,對(duì)比SHO-SVM、SVM模型,該模型檢測(cè)效果最優(yōu)。

(3)對(duì)比其它的特征工程,基于FFT-SCSHO-SVM模型的精確率、召回率和特異性等各項(xiàng)性能指標(biāo)均在98%以上,表明模型的漏報(bào)率和誤報(bào)率更低。