一种基于马氏距离的步态分类与量化方法技术

本发明专利技术属于三维步态分析技术领域，公开了一种基于马氏距离的步态分类与量化方法，包括：以正常关节角度为参考模板，计算样本j第i个关节角度异常指标dist

【技术实现步骤摘要】
一种基于马氏距离的步态分类与量化方法
本专利技术属于三维步态分析
，尤其涉及一种基于马氏距离的步态分类与量化方法。
技术介绍
目前，最接近的现有技术：直接计算序列距离的方法，基于步态特征的方法，基于主成分分析的方法。三维步态分析是一种根据生物力学原理，使用红外摄像技术和计算机技术，检测、记录人体步行时躯干及相关关节运动等数据，分析样本步行功能障碍的一种技术。相比于传统的步态分析方法，三维步态分析技术能够获得精确的下肢关节角度数据，发现导致样本运动功能障碍的关键原因，评价步态异常程度，广泛应用于脑卒中、脑瘫、帕金森等疾病的步态分析，为制定康复目标和康复方案提供依据。评定师通常依据生物力学相关知识对样本步态数据进行分析，主观评价其步态异常程度、判断康复效果。但是面对高维的步态数据，评定师通常需要花费大量时间进行分析，且分析结果易受主观影响，难以直观了解样本整体步态情况。因此，需要一种客观评价样本步态异常程度的方法。机器学习技术能够量化异常步态和正常步态的差异，实现客观、准确和高效的步态数据分析。现有基于机器学习技术的步态分析主要有三种：第一类方法是直接计算序列距离：分别计算每个关节序列数据和正常人之间的欧式距离，得到单个关节的步态异常指标，并对各关节异常指标求和，得到整体步态异常指标；第二类是基于步态特征的方法：计算步速、平均骨盆倾角和骨盆倾角范围等步态特征，然后计算样本与正常人步态特征之间的欧式距离，得到整体步态异常指标；第三类是基于主成分分析的方法：计算步态序列数据的主成分，使用样本步态主成分和正常人步态主成分之间的欧式距离，得到整体步态异常指标。目前常用的三类步态分析方法存在如下问题：直接计算序列距离的方法虽然能够同时得到关节角度和整体步态的异常信息，但是在计算整体步态异常指标时忽略了关节角度之间的相关性。例如对于脑卒中样本，由于其大脑功能受损，导致运动功能障碍，会造成步态异常，因此样本髋关节和膝关节可能都出现异常。若直接将髋关节和膝关节的异常程度相加作为样本的步态异常指标，忽略两者之间的相关性，则会过高估计样本步态异常程度。基于特征的方法存在如下限制：1)选择步速、平均骨盆倾角和骨盆倾角等特征，这些特征的设计需要有专业背景知识的人员才能完成；2)扩展性差，人工设计的特征都是针对特定病种，难以扩展到其他疾病；3)需要收集大量的样本数据才能达到较好的性能；4)只能得到整体步态异常信息，无法得到特定关节的异常信息。基于主成分分析的方法将所有关节角度序列数据合并为一个高维度向量，然后计算步态数据的主成分作为其特征。因为主成分分析涉及到求解特征值的问题，而一般求解N×N大小矩阵的复杂度为O(N^3)，此部分时间消耗高。因此计算所有关节角度的时间消耗远远高于分别计算单个关节角度的复杂度。另外此方法只能得到整体步态异常信息，无法得到特定关节的信息。此外，上述三种方法在计算样本步态与正常模板之间的距离时，采用的距离度量方式为欧式距离，欧式距离易受数据尺度的影响，且忽略了属性之间的相关性，不宜直接用于步态异常程度评价。综上所述，现有技术存在的问题是：(1)在计算整体步态异常指标时忽略了关节角度之间的相关性。(2)只能得到整体步态异常信息，无法得到特定关节的信息。解决上述技术问题的难度：(1)如何在得到整体步态异常信息的同时，得到特定关节的异常信息；(2)如何在计算整体步态异常信息时，考虑关节之间的相关性。解决上述技术问题的意义：(1)使医师在诊疗过程中，得到关于样本关节以及整体步态的详细信息，了解样本整体以及局部的健康状况；(2)考虑关节之间的相关性得到的步态评价指标更具合理性。
技术实现思路
针对现有技术存在的问题，本专利技术提供了一种基于马氏距离的步态分类与量化方法。本专利技术是这样实现的，一种基于马氏距离的步态分类与量化方法。所述基于马氏距离的步态分类与量化方法包括：步骤一，以正常关节角度为参考模板，计算样本j第i个关节角度异常指标disti，j；步骤二，重复步骤一，计算样本各关节角度异常指标，将样本j各关节角度的异常指标dist1，j，...，distN，j组合成向量，作为样本j的异常指标向量distj＝(dist1，j，...，distN，j)；步骤三，学习各关节角度之间的相关性，得到马氏矩阵∑，计算样本j的异常指标向量distj与正常人参考步态向量之间的马氏距离，得到样本j整体步态异常指标；步骤四，以步骤二中得到的样本异常指标向量distj作为样本的特征向量，结合步骤三得到的马氏矩阵∑，使用SVM分类器对样本步态进行分类。进一步，所述步骤一还包括：(1)计算关节角度i的投影矩阵Wi：1)对所有数据样本进行归一化处理：其中μ和σ分别是xi，j的均值和标准差；2)将中心化处理后的样本组合成一个矩阵X＝(xi，1，xi，2，…，xi，j，…，xi，M)；3)计算协方差矩阵XXT的特征值和特征向量：XXTω＝λω其中ω为协方差矩阵XXT的特征向量，λ为协方差矩阵XXT的特征值；4)取最大的d′个特征值对应的特征向量ω1·ω2，…，ωd′，投影矩阵W＝(ω1，…，ωd′)。其中d′根据重构阈值t确定：其中T表示的是步周期的长度，重构阈值t表示的意义是降维之后样本所包含的信息和原始数据的信息的比值，设置t＝0.95；5)计算样本xi，j其低维表示：ti，j＝Wxi，j(2)计算正常人关节角度i的低维表示，并取平均作为参考模板。对于正常样本xi，j，其低维表示为计算M个正常人低维表示的平均值，得到关节角度i的参考步态模板：其中Mnormal为正常样本数。(3)计算关节角度i异常指标向量对于样本关节角度i，计算与参考模板之间的距离：disti，j即为衡量样本j第i个关节角度异常程度的指标。disti，j越大，该关节角度的异常程度越高，disti，j越小，该关节角度的异常程度越低。进一步，所述步骤三还包括：(1)计算两个关节角度之间的协方差：其中为关节角度p的均值。(2)生成反映不同关节角度之间相关性的协方差矩阵，即马氏矩阵：(3)使用马氏距离计算样本整体步态异常指标，设置参考模板向量如下：ref＝(ref1，…，refN)＝(0，…，0)然后，通过马氏距离计算样本步态和参考模板向量之间的距离，作为衡量样本步态异常程度的总体异常指标：进一步，所述步骤四中支持向量机(SVM)的模型如下：s.t.yj(wφ(distj)+b)≥1-ξj其中w为SVM的线性权重，n关节数，ξj为松弛变量，其目的是增加模型对于样本的适应性，C为松弛变量的权重，b为偏置向量，φ表示核函数，使用的核函数为基于马氏距离的径向基函数核：K本文档来自技高网...

【技术保护点】
1.一种基于马氏距离的步态分类与量化方法，其特征在于，所述基于马氏距离的步态分类与量化方法包括：/n步骤一，计算样本j第i个关节角度异常指标dist

【技术特征摘要】
1.一种基于马氏距离的步态分类与量化方法，其特征在于，所述基于马氏距离的步态分类与量化方法包括：
步骤一，计算样本j第i个关节角度异常指标disti，j；
步骤二，重复步骤一，计算样本各关节角度异常指标，将样本j各关节角度的异常指标dist1，j，...，distN，j组合成向量，作为样本j的异常指标向量distj＝(dist1，j，...，distN，j)；
步骤三，学习各关节角度之间的相关性，得到马氏矩阵∑，计算样本异常指标向量distj与正常参考步态向量之间的马氏距离，得到样本整体步态异常指标；
步骤四，以步骤二中得到的样本异常指标向量distj作为样本的特征向量，结合步骤三得到的马氏矩阵∑，使用SVM分类器对样本步态进行分类。


2.如权利要求1所述的基于马氏距离的步态分类与量化方法，其特征在于，所述步骤一还包括：
(1)计算关节角度i的投影矩阵Wi：
1)对所有数据样本进行归一化处理：其中μ和σ分别是xi，j的均值和标准差；
2)将中心化处理后的样本组合成一个矩阵X＝(xi，1，xi，2，...，xi，j，...，xi，M)；
3)计算协方差矩阵XXT的特征值和特征向量：
XXTω＝λω；
其中ω为协方差矩阵XXT的特征向量，λ为协方差矩阵XXT的特征值；
4)取最大的d′个特征值对应的特征向量ω1.ω2，...，ωd′，投影矩阵W＝(ω1，…，ωd′)；其中d′根据重构阈值t确定：



其中T表示的是步周期的长度，重构阈值t表示的意义是降维之后样本所包含的信息和原始数据的信息的比值，设置t＝0.95；
5)计算样本xi，j其低维表示：
ti，j＝Wxi，j；
(2)计算正常人关节角度i的低维表示，并取平均作为参考模板；对于正常样本xi，j，其低维表示为：



计算M个正常人低维表示的平均值，得到关节角度i的...

【专利技术属性】
技术研发人员：杨尚明，刘勇国，李巧勤，陈智，刘朗，曹晨，傅翀，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51