[發(fā)明專利]一種基于分階段特征提取的凍結(jié)步態(tài)檢測(cè)系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202010798417.2
• 申請(qǐng)日: 2020-08-10
• 公開(kāi)（公告）號(hào): CN112057080B
• 公開(kāi)（公告）日: 2021-07-02
• 發(fā)明（設(shè)計(jì)）人: 趙金;任康;劉西華;周洋;凌云;陳仲略
• 申請(qǐng)（專利權(quán)）人: 華中科技大學(xué)
• 主分類(lèi)號(hào): A61B5/11
• 分類(lèi)號(hào): A61B5/11;A61B5/00;G06K9/00;G06K9/62;G06N20/00
• 代理公司: 華中科技大學(xué)專利中心 42201
• 代理人: 胡秋萍;李智

本發(fā)明公開(kāi)了一種基于分階段特征提取的凍結(jié)步態(tài)檢測(cè)系統(tǒng)，屬于機(jī)器學(xué)習(xí)領(lǐng)域。包括：基于用戶行走過(guò)程中采集到的原始加速度數(shù)據(jù)，構(gòu)建有標(biāo)簽的樣本集，樣本為加窗處理后的加速度數(shù)據(jù)序列，標(biāo)簽表示樣本屬于正常步態(tài)還是凍結(jié)步態(tài)；對(duì)每個(gè)樣本進(jìn)行分階段特征提取；使用PCA對(duì)步態(tài)特征集進(jìn)行特征變換，得到低維新步態(tài)特征集，對(duì)低維新步態(tài)特征集進(jìn)行特征選擇，得到最優(yōu)步態(tài)特征子集；使用最優(yōu)步態(tài)特征子集訓(xùn)練基于機(jī)器學(xué)習(xí)的凍結(jié)步態(tài)檢測(cè)模型；提取待測(cè)樣本的分階段特征，輸入至訓(xùn)練好的凍結(jié)步態(tài)檢測(cè)模型，得到凍結(jié)步態(tài)檢測(cè)結(jié)果。本發(fā)明提取加速度信號(hào)中運(yùn)動(dòng)分量及凍結(jié)帶，并對(duì)運(yùn)動(dòng)信號(hào)進(jìn)行合成與分解，以充分發(fā)揮原始數(shù)據(jù)的潛在特征。

技術(shù)領(lǐng)域

本發(fā)明屬于機(jī)器學(xué)習(xí)領(lǐng)域，更具體地，涉及一種基于分階段特征提取的凍結(jié)步態(tài)檢測(cè)系統(tǒng)。

背景技術(shù)

帕金森病(Parkinson’sdisease，PD)是一種常見(jiàn)的神經(jīng)系統(tǒng)變性疾病，目前我國(guó)PD患者已高達(dá)290萬(wàn)，并以約每年10萬(wàn)新發(fā)患者的速度持續(xù)增長(zhǎng)。隨著人口老齡化比率不斷升高，預(yù)計(jì)到2030年，我國(guó)的PD患者將達(dá)到500萬(wàn)。凍結(jié)步態(tài)(Freezing Of Gait，F(xiàn)oG)是中晚期PD很常見(jiàn)的致殘性癥狀，嚴(yán)重影響病人的活動(dòng)能力。FoG事件的早期檢測(cè)作為干預(yù)措施實(shí)施的基礎(chǔ)，能幫助發(fā)病患者減少跌倒風(fēng)險(xiǎn)，恢復(fù)步行及正常活動(dòng)；作為后續(xù)病情評(píng)估的依據(jù)可提供相關(guān)癥狀信息，對(duì)凍結(jié)步態(tài)的研究與治療有著重要的指導(dǎo)作用。

現(xiàn)有技術(shù)中關(guān)于帕金森患者凍結(jié)步態(tài)的檢測(cè)方法主要大部分是直接對(duì)預(yù)處理后的信號(hào)進(jìn)行特征提取，然后將特征集用于分類(lèi)器的訓(xùn)練，存在特征不明顯、魯棒性低、泛化能力不強(qiáng)等問(wèn)題。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有技術(shù)的缺陷和改進(jìn)需求，本發(fā)明提供了一種基于分階段特征提取的凍結(jié)步態(tài)檢測(cè)系統(tǒng)，其目的在于通過(guò)提取加速度信號(hào)中對(duì)運(yùn)動(dòng)狀態(tài)有決定性作用的運(yùn)動(dòng)分量及表征FoG的凍結(jié)帶，并對(duì)運(yùn)動(dòng)信號(hào)進(jìn)行合成與分解，以充分發(fā)揮原始數(shù)據(jù)的潛在特征，提高檢測(cè)效率和精度，增強(qiáng)算法魯棒性和泛化能力。

為實(shí)現(xiàn)上述目的，按照本發(fā)明的第一方面，提供了一種基于分階段特征提取的凍結(jié)步態(tài)檢測(cè)系統(tǒng)，包括：計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)和處理器；

所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)用于存儲(chǔ)可執(zhí)行指令；

所述處理器用于讀取所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中存儲(chǔ)的可執(zhí)行指令，執(zhí)行如下基于分階段特征提取的凍結(jié)步態(tài)檢測(cè)方法，該方法包括以下步驟：

S1.基于用戶行走過(guò)程中采集到的原始加速度數(shù)據(jù)，構(gòu)建有標(biāo)簽的樣本集，其中，樣本為加窗處理后的加速度數(shù)據(jù)序列，標(biāo)簽表示樣本屬于正常步態(tài)還是凍結(jié)步態(tài)；

S2.對(duì)每個(gè)樣本進(jìn)行分階段特征提取：將樣本加速度分解為運(yùn)動(dòng)分量、重力分量和凍結(jié)帶；基于樣本加速度計(jì)算第一急動(dòng)度；基于運(yùn)動(dòng)分量計(jì)算第二急動(dòng)度；基于凍結(jié)帶加速度計(jì)算第三急動(dòng)度；將樣本加速度、第一急動(dòng)度、第二急動(dòng)度和第三急動(dòng)度的三軸數(shù)據(jù)分別進(jìn)行合成，得到合成加速度、第一合成急動(dòng)度、第二合成急動(dòng)度和第三合成急動(dòng)度；分別提取合成加速度、第一合成急動(dòng)度、第二合成急動(dòng)度和第三合成急動(dòng)度的時(shí)域特征和頻域特征，得到步態(tài)特征集；

S3.使用主成分分析法對(duì)步態(tài)特征集進(jìn)行特征變換，得到代表原始步態(tài)特征集的低維新步態(tài)特征集，采用基于相關(guān)系數(shù)或者最大信息系數(shù)法對(duì)低維新步態(tài)特征集進(jìn)行特征選擇，得到最優(yōu)步態(tài)特征子集；

S4.使用最優(yōu)步態(tài)特征子集訓(xùn)練基于機(jī)器學(xué)習(xí)的凍結(jié)步態(tài)檢測(cè)模型，訓(xùn)練過(guò)程中，凍結(jié)步態(tài)檢測(cè)模型接收樣本進(jìn)行學(xué)習(xí)后對(duì)樣本標(biāo)簽做出預(yù)測(cè)，將預(yù)測(cè)結(jié)果與實(shí)際標(biāo)簽進(jìn)行比較后修正凍結(jié)步態(tài)檢測(cè)模型；

S5.提取待測(cè)樣本的分階段特征，輸入至訓(xùn)練好的凍結(jié)步態(tài)檢測(cè)模型，得到凍結(jié)步態(tài)檢測(cè)結(jié)果。

優(yōu)選地，步驟S1中，構(gòu)建樣本集之前，對(duì)傳感器獲取的原始數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗、濾波降噪和動(dòng)靜態(tài)分離；

所述濾波降噪，首先使用巴特沃斯低通濾波消除數(shù)據(jù)清洗處理后信號(hào)中的尖峰噪聲，再使用滑動(dòng)平均濾波消除隨機(jī)噪聲；