一种基于机器学习的偏瘫步态自动识别和分析的方法技术

一种基于机器学习的偏瘫步态自动识别和分析的方法，包括步态特征提取、步态特征识别、特征重要性排序、贝叶斯结果分类。具体步骤如下：（1）基于Kinect传感器捕获受试者骨骼节点的三维坐标位置；（2）通过欧氏距离算法与节段质心算法算出人体质心位置移动范围与步幅、步速等时空特征；（3）建立出由输入空间步态特征集与输出空间对应的标记的映射关系；（4）利用以信息增益为依据的模糊二元对比决策方法进行特征组合重要性排序；（5）模型性能分析。本发明专利技术方法可明显降低医生对患者病情程度的主观判断的出错率，并为临床康复医生提供辅助数据与评估结果。

A Method of Automatic Recognition and Analysis of Hemiplegic Gait Based on Machine Learning

【技术实现步骤摘要】
一种基于机器学习的偏瘫步态自动识别和分析的方法
本专利技术涉及一种基于机器学习的偏瘫步态自动识别和分析的方法，属辅助临床诊断

技术介绍
步行障碍是偏瘫患者迫切需要恢复的功能障碍之一。在临床康复中，通过对偏瘫步态进行分析获取定量的步态信息，可为揭示异常步态原因、矫正异常步态、制定康复治疗计划以及评估康复干预效果提供依据。大多数临床医生在对偏瘫患者的步态评估中采用的是主观观察和量表评分两种手段，但是带有个人主观差异性的观察评估在临床治疗中并不够可靠，而量表评分提供的关于患者日常运动能力的信息，也常被认为不客观以及对患者病情的改变评价不够敏感。因此，主观观察评估再辅以客观测量，才是提高步态评估可靠性和准确性的有效手段。2011年清华大学曾研发出一种高速摄影机，其核心技术是在受试者骨骼节点处粘贴反光标志，通过红外摄像机采集反光标志物的位置，基于后期的图像处理提取动态的步态信息，但该方法需要复杂的图像处理工作，不利于推广。2018年7月济南大学的张勤等人专利技术了一种基于kinect的成人步态提取与异常分析方法,通过记录人体关节在三维空间中的位置坐标来提取步态特征，对关节在三维空间中的姿态变化进行了分析。但是该方法缺少对所得动力学特征和时空特征的结果处理，并未对特征中各变量的重要性进行排序，不便于病情诊断和康复方案的优化。因此寻找一种新的方法来提高医生对偏瘫步态的识别和分析的准确率是十分有必要的。
技术实现思路
本发的目的是，针对现有图像处理提取动态的步态信息方面存在的问题，本必明提出一种基于机器学习的偏瘫步态自动识别和分析的方法，从而实现偏瘫步态的自动识别。本专利技术实现的技术方案如下，一种基于机器学习的偏瘫步态自动识别和分析的方法，步骤如下：(1)受试者完成规定的范式动作，基于Kinect传感器捕获受试者骨骼节点的三维坐标位置；(2)通过欧氏距离算法与节段质心算法算出人体质心位置移动范围与步幅、步速等时空特征；(3)利用以贝叶斯分类算法为基学习器的集成学习算法训练实例数据集，建立出由输入空间步态特征集与输出空间对应的标记(偏瘫患者、健康老人、健康青年)的映射关系；(4)利用以信息增益为依据的模糊二元对比决策方法进行特征组合重要性排序；(5)模型性能分析。Kinect追踪到的受试者步行状态下的骨骼标记点编号如表1所示。表1标记点对应的骨骼节点标记点骨骼节点标记点骨骼节点标记点骨骼节点标记点骨骼节点1头6左肘11右腕16左脚2肩膀中心7左腕12右手17右髋关节3脊柱8左手13左髋关节18右膝4髋关节中心9右肩14左膝19右脚踝5左肩10右肘15左脚踝20右脚人体质心位置移动范围可利用身体节段法测量。Kinect系统采集身体节段法所定义的所有身体节段的近端坐标和远端坐标，设置的节段如表2所示，表中的近端和远端标记点与前面所述标记点位置一致。表2质心计算所需参数所述实例数据集通过临床试验采集，所述实例数据集建立方法步骤如下：(1)设置偏瘫患者试验组和健康青年，为对照组I；健康老年组为对照组II；在年龄、性别、身高、体重特征上实现全面覆盖各阶层的前提下，随机选取受试者，并且对照组I、对照组II没有其他任何运动障碍；(2)采集数据过程中将Kinect摄像头调整为1.0m高，置于受试者的正前方5.5m处；(3)受试者直线行走5m，每次试验走三次，每个受试者进行三次试验。所述提取步幅作为步态时空特征的方法如下：(1)去除Kinect捕捉的标记点坐标的粗误差；(2)计算左脚踝(标记点15)和左脚(标记点16)的中心位置坐标，作为左足底坐标；计算右脚踝(标记点19)和右脚(标记点20)的中心位置坐标作为右足底坐标；(3)以单侧足底坐标间的欧氏距离计算平均步幅。所述提取步幅特征，通过计算左髋关节-左脚踝(标记点13-标记点15)节段和右髋关节-右脚踝(标记点17-标记点19)节段间的欧氏距离作为腿长，用腿长均值对步幅进行标准化。身体节段质心位置的计算公式如下：xcm＝xplp+xdld；ycm＝yplp+ydld；zcm＝zplp+zdld式中，xcm，ycm，zcm节段质心坐标；xp，yp，zp是节段近端的坐标；xd，yd，zd是节段远端的坐标；lp是从近端到末端的节段长度的百分比；ld是从远端到末端的节段长度的百分比。在特征提取子系统中计算人体质心位置按如下的公式：式中xtcm，ytcm，ztcm为人体质心坐标；xi，yi是第i段的坐标；mi是第i段的质量；M是15个身体节段的总质量。所述构建输入空间步态特征集与输出空间对应的标记(偏瘫患者、健康老人、健康青年)的映射关系具体算法如下：(1)创建K个模型，通过对输入D进行有放回抽样，创建自助样本Di；D是d个训练元组的集合；(2)构建决策树，特征空间实例数据集为：X＝{x1，x1，…xi，…，x60，}，未知标签的实例为x；(3)每个实例由4个属性描述：xi＝{质心左右偏移距离，质心上下偏移距离，步幅，步速}；(4)定义所有实例的标记的集合Y，即输出集合Yk(对应的三个组别)；Yk∈{偏瘫患者组，健康老人组，健康青年组}，k＝1，2，3(5)计算先验概率P(yk)和条件概率P(xi，d|yk)，计算公式如下：式中，xi，d为第i个实例在第d个属性上的取值，i＝1，2，...，60，d＝1，2，3，4；(6)对于给定的实例x，计算其后验概率，计算公式如下：式中，xd为实例x在第d个属性上的取值；(7)根据下面公式，获得从Di中学习得到的决策树N*(8)重复进行m次，构建m棵决策树，获得组合分类器-随机森林，使用组合分类器对未知实例x分类并返回多数投票表决，得票最多即为最终识别结果。所述特征组合重要性排序是利用以信息增益为依据的模糊二元对比决策方法实现；其步骤如下：(1)计算各特征对数据集D的步态特征信息增益，将所有特征与步态类别之间的信息增益作为评价函数对特征的相对重要性进行评价；(2)得到两个特征之间的二元对比，从而构建二元比较级矩阵；(3)建立模糊相及矩阵，利用λ-截矩阵方法对所有特征对象进行排序，得到优先排序结果。所述步态特征信息增益的计算方法如下：(1)计算样本数据集D的经验熵H(D)，计算式如下：其中，|D|表示样本个数；|Ck|表示属于第k各类Ck的样本个数；(2)根据特征X的取值将D划分为n个子集D1，D2...Di,记子集Di中属于类别Ck的样本的集合为Dik；计算特征X对数据集D的经验条件熵H(D|X)，计算式如下：(3)计算特征X对数据集D的信息增益，公式如下：g(D,X)＝H(D)-H(D|X)。所述构建二元比较级矩阵，将计算得到的特征xi和xj对数据集D的信息增益代入下式，得到两两特征之间的二元比较级矩阵：其中，xixj∈U；得到两两特征之间的二元比较级，从而建立二元相对比较矩阵：(4)计算模糊相及矩阵，将fj(xi)，fi(xj)代入下式，计算得到模糊相及矩阵：计算得到模糊优先比矩阵：(5)利用λ-截矩阵方法对所有对象进行排序，得到优先排序结果：步速、步幅、质心左右移动、质心上下移动。本专利技术在模型性能分析过程中，通过比较不同算法构建的模型预测偏瘫步态的正确率，如表3所示；得到本专利技术方法不仅实现简单、学习与预测效率高，其分类准确性在同类算法中也最本文档来自技高网...

【技术保护点】
1.一种基于机器学习的偏瘫步态自动识别和分析的方法，其特征在于，所述方法步骤如下：(1)受试者完成规定的范式动作，基于Kinect传感器捕获受试者骨骼节点的三维坐标位置；(2)通过欧氏距离算法与节段质心算法算出人体质心位置移动范围与步幅、步速等时空特征；(3)建立出由输入空间步态特征集与输出空间对应的标记的映射关系；(4)利用以信息增益为依据的模糊二元对比决策方法进行特征组合重要性排序；(5)模型性能分析。

【技术特征摘要】
1.一种基于机器学习的偏瘫步态自动识别和分析的方法，其特征在于，所述方法步骤如下：(1)受试者完成规定的范式动作，基于Kinect传感器捕获受试者骨骼节点的三维坐标位置；(2)通过欧氏距离算法与节段质心算法算出人体质心位置移动范围与步幅、步速等时空特征；(3)建立出由输入空间步态特征集与输出空间对应的标记的映射关系；(4)利用以信息增益为依据的模糊二元对比决策方法进行特征组合重要性排序；(5)模型性能分析。2.根据权利要求1所述的一种基于机器学习的偏瘫步态自动识别和分析的方法，其特征在于，所述实例数据集通过临床试验采集，实例数据集建立方法步骤如下：(1)设置偏瘫患者试验组和健康青年，为对照组I；健康老年组为对照组II；在年龄、性别、身高、体重特征上实现全面覆盖各阶层的前提下，随机选取受试者，并且对照组I、对照组II没有其他任何运动障碍；(2)采集数据过程中将Kinect摄像头调整为1.0m高，置于受试者的正前方5.5m处；(3)受试者直线行走5m，每次试验走三次，每个受试者进行三次试验。3.根据权利要求1所述的一种基于机器学习的偏瘫步态自动识别和分析的方法，其特征在于，所述提取步幅作为步态时空特征的方法如下：(1)去除Kinect捕捉的标记点坐标的粗误差；(2)计算左脚踝和左脚的中心位置坐标，作为左足底坐标；计算右脚踝和右脚的中心位置坐标作为右足底坐标；(3)以单侧足底坐标间的欧氏距离计算平均步幅。4.根据权利要求1所述的一种基于机器学习的偏瘫步态自动识别和分析的方法，其特征在于，所述提取步幅特征，通过计算左髋关节-左脚踝节段和右髋关节-右脚踝节段间的欧氏距离作为腿长，用腿长均值对步幅进行标准化。5.根据权利要求1所述的一种基于机器学习的偏瘫步态自动识别和分析的方法，其特征在于，所述构建输入空间步态特征集与输出空间对应的标记的映射关系具体算法如下：(1)创建K个模型，通过对输入D进行有放回抽样，创建自助样本Di；(2)构建决策树，特征空间实例数据集为：X＝{x1，x1，…xi，…，x60，}，未知标签的实例为x；(3)每个实例由4个属性描述：xi＝{质心左右偏移距离，质心上下偏移距离，步幅，步速}；(4)定义所有实例的标记的集合Y，即输出集合；...

【专利技术属性】
技术研发人员：王浩伦，刘凯，黄月姑，王新雨，时二宁，朱业安，
申请(专利权)人：华东交通大学，
类型：发明
国别省市：江西,36