一种基于随机森林算法的冻结步态检测方法、装置、和存储介质制造方法及图纸

本发明专利技术提供了一种基于随机森林算法的冻结步态检测方法、装置、设备和存储介质，方法包括：采集患者行走过程中脚部的步态数据并录制行走视频；对步态数据进行分段形成训练步态数据片段，并增加是否产生冻结步态的人工标签得到训练步态标签；对训练步态数据片段依次进行预处理、小波变换、统计学分析，最终得到训练步态参数；将训练步态标签和训练步态参数输入至随机森林算法进行训练，得到训练好的冻结步态检测模型；采集患者的待检测步态数据，得到待检测步态参数；将待检测步态参数和训练好的冻结步态检测模型共同输入至随机森林算法中，得到冻结步态检测结果。其采集数据量少，参数计算量小，能够快速准确的检测出是否产生冻结步态。态。态。

【技术实现步骤摘要】
一种基于随机森林算法的冻结步态检测方法、装置、和存储介质


[0001]本专利技术涉及机器学习
，具体涉及一种基于随机森林算法的冻结步态检测方法、装置、设备和存储介质。

技术介绍

[0002]冻结步态(FoG)是帕金森病(PD)患者最常见的致残症状之一。冻结步态是一种短暂发作性的步态受阻,常表现为患者起始犹豫不能迈步,突然难以行走。这种情况在步态开始、转弯和通过狭窄空间时更为常见。在现有的冻结步态的治疗或康复中，通常在产生冻结步态时给予一定的外部刺激，帮助患者构建完整的行走运动环路。因此对于冻结步态的快速准确识别是重中之重，现有关于冻结步态检测方法需要采集患者多个部位的数据，因此需要计算的参数较多，过程也比较复杂。

技术实现思路

[0003]鉴于上述问题，本专利技术实施例一种基于随机森林算法的冻结步态检测方法、装置、设备和存储介质，解决现有的技术问题。
[0004]为解决上述技术问题，本专利技术提供以下技术方案：
[0005]第一方面，本专利技术提供一种基于随机森林算法的冻结步态检测方法，所述方法包括以下步骤：
[0006]采集患者行走过程中脚部的步态数据并录制行走视频，所述步态数据包括三轴加速度数据和三轴角速度数据；
[0007]对步态数据进行分段形成训练步态数据片段，根据行走视频对训练步态数据片段进行标记形成是否产生冻结步态的人工标签，训练步态数据片段与对应的人工标签形成训练步态标签；
[0008]对训练步态数据片段进行预处理形成预处理数据；
[0009]对预处理数据进行小波变换，得到细节分量和近似分量；
[0010]根据细节分量和近似分量进行统计学分析，得到训练步态参数；
[0011]将训练步态标签和训练步态参数输入至随机森林算法进行训练，得到训练好的冻结步态检测模型；
[0012]采集患者的待检测步态数据片段根据小波变换和统计学分析形成待检测步态参数；
[0013]将待检测步态参数和训练好的冻结步态检测模型共同输入至随机森林算法中，得到冻结步态检测结果。
[0014]一实施例中，所述对步态数据进行分段形成训练步态数据片段，根据行走视频对训练步态数据片段进行标记形成是否产生冻结步态的人工标签，训练步态数据片段与对应的人工标签形成训练步态标签具体包括：
[0015]将步态数据分成若干步态数据片段；
[0016]根据每个步态数据片段对应的行走视频为相应的步态数据片段增加是否产生冻结步态的人工标签；
[0017]将产生冻结步态的步态数据片段标记为第一标签，将未产生冻结步态的步态数据片段标记为第二标签；
[0018]将每个步态数据片段与第一标签和第二标签一一对应保存为训练步态标签。
[0019]一实施例中，所述将步态数据分成若干步态数据片段具体包括：
[0020]配置一个固定窗宽的滑动时间窗遍历整个步态数据；
[0021]配置滑动时间窗每次移动的步长；
[0022]提取滑动时间窗每次移动时处于滑动时间窗内的步态数据，获得若干步态数据片段。
[0023]一实施例中，所述对训练步态数据片段进行预处理形成预处理数据具体包括：
[0024]将三轴加速度数据集成为加速度信号acc，将三轴角速度数据集成为欧拉角信号euler；
[0025]将加速度信号acc和欧拉角信号euler的数值聚集至时间轴附近；
[0026]将聚集至时间轴附近的加速度信号acc和欧拉角信号euler进行低通滤波处理，得到清理后的加速度信号和欧拉角信号
[0027]一实施例中所述根据细节分量和近似分量进行统计学分析，得到训练步态参数具体包括：
[0028]计算细节分量和近似分量中包含数据的绝对值中的最大值并取对数，得到第一特征参数；
[0029]计算细节分量和近似分量中包含数据的平方和与数据长度的比值并取对数，得到第二特征参数；
[0030]计算细节分量和近似分量中包含数据的绝对值的平均值并取对数，得到第三特征参数；
[0031]基于第一特征参数、第二特征参数和第三特征参数组合形成训练步态参数。
[0032]一实施例中，所述将三轴加速度数据集成为加速度信号acc，具体包括：
[0033]通过如下算式，将三轴加速度数据集成为加速度信号acc；
[0034][0035]其中，acc为加速度信号；acc
x
为X轴加速度数据；acc
y
为Y轴加速度数据；acc
z
为Z轴加速度数据；
[0036]所述将三轴角速度数据集成为欧拉角信号euler，具体包括：
[0037]利用四元数计算三轴角速度数据在X轴、Y轴和Z轴方向上的欧拉角euler
x
、euler
y
和euler
z
；
[0038]通过如下算式，将euler
x
、euler
y
和euler
z
集成为欧拉角信号euler；
[0039][0040]其中，euler为欧拉角信号；euler
x
为利用四元数计算出的X轴欧拉角；euler
y
为利用四元数计算出的Y轴欧拉角；euler
z
为利用四元数计算出的Z轴欧拉角。
[0041]一实施例中，所述将训练步态标签和训练步态参数输入至随机森林算法进行训练，具体包括：
[0042]基于matlab环境下使用随机森林算法将训练步态标签作为训练标签，将训练步态参数作为训练特征；
[0043]将所有片段的训练标签和训练特征组合形成训练样本集；
[0044]将训练样本集输入至TreeBagger训练函数中，得到训练好的冻结步态检测模型。
[0045]一实施例中，所述将待检测步态参数和训练好的冻结步态检测模型共同输入至随机森林算法中，具体包括：
[0046]基于随机森林算法将待检测参数和训练好的冻结步态检测模型作为待检测特征输入至matlab中的predict函数中；
[0047]如果输出结果为第一标签则表明产生冻结步态；
[0048]如果输出结果为第二标签则表明未产生冻结步态。
[0049]第二方面，本专利技术提供一种冻结步态的检测装置，所述装置包括：
[0050]采集录制模块：用于采集患者行走过程中脚部的步态数据并录制行走视频，所述步态数据包括三轴加速度数据和三轴角速度数据；
[0051]标签增加模块：用于对步态数据进行分段形成训练步态数据片段，根据行走视频对训练步态数据片段进行标记形成是否产生冻结步态的人工标签，训练步态数据片段与对应的人工标签形成训练步态标签；
[0052]预处理模块：用于对训练步态数据片段进行预处理形成预处理数据；
[0053]数据变换模块：用于对预处理数据进行小波变换，得到细节分量和近似分量；
...

【技术保护点】

【技术特征摘要】
1.一种基于随机森林算法的冻结步态检测方法，其特征在于，所述方法包括以下步骤：采集患者行走过程中脚部的步态数据并录制行走视频，所述步态数据包括三轴加速度数据和三轴角速度数据；对步态数据进行分段形成训练步态数据片段，根据行走视频对训练步态数据片段进行标记形成是否产生冻结步态的人工标签，训练步态数据片段与对应的人工标签形成训练步态标签；对训练步态数据片段进行预处理形成预处理数据；对预处理数据进行小波变换，得到细节分量和近似分量；根据细节分量和近似分量进行统计学分析，得到训练步态参数；将训练步态标签和训练步态参数输入至随机森林算法进行训练，得到训练好的冻结步态检测模型；采集患者的待检测步态数据片段根据小波变换和统计学分析形成待检测步态参数；将待检测步态参数和训练好的冻结步态检测模型共同输入至随机森林算法中，得到冻结步态检测结果。2.如权利要求1所述的一种基于随机森林算法的冻结步态检测方法，其特征在于，所述对步态数据进行分段形成训练步态数据片段，根据行走视频对训练步态数据片段进行标记形成是否产生冻结步态的人工标签，训练步态数据片段与对应的人工标签形成训练步态标签具体包括：将步态数据分成若干步态数据片段；根据每个步态数据片段对应的行走视频为相应的步态数据片段增加是否产生冻结步态的人工标签；将产生冻结步态的步态数据片段标记为第一标签，将未产生冻结步态的步态数据片段标记为第二标签；将每个步态数据片段与第一标签和第二标签一一对应保存为训练步态标签。3.如权利要求2所述的一种基于随机森林算法的冻结步态检测方法，其特征在于，所述将步态数据分成若干步态数据片段具体包括：配置一个固定窗宽的滑动时间窗遍历整个步态数据；配置滑动时间窗每次移动的步长；提取滑动时间窗每次移动时处于滑动时间窗内的步态数据，获得若干步态数据片段。4.如权利要求1所述的一种基于随机森林算法的冻结步态检测方法，其特征在于，所述对训练步态数据片段进行预处理形成预处理数据具体包括：将三轴加速度数据集成为加速度信号acc，将三轴角速度数据集成为欧拉角信号euler；将加速度信号acc和欧拉角信号euler的数值聚集至时间轴附近；将聚集至时间轴附近的加速度信号acc和欧拉角信号euler进行低通滤波处理，得到清理后的加速度信号和欧拉角信号5.如权利要求1所述的一种基于随机森林算法的冻结步态检测方法，其特征在于，所述根据细节分量和近似分量进行统计学分析，得到训练步态参数具体包括：
计算细节分量和近似分量中包含数据的绝对值中的最大值并取对数，得到第一特征参数；计算细节分量和近似分量中包含数据的平方和与数据长度的比值并取对数，得到第二特征参数；计算细节分量和近似分量中包含数据的绝对值的平均值并取对数，得到第三特征参数；基于第一特征参数、第二特征参数和第三特征参数组合形成训练步态参数。6.如权利要求4所述的一种基于随机森林算法的冻结步态检测方法，其特征在于，所述将三轴加速度数据集成为加速度信号acc，具体包括：通过如下算式，将三轴加速度数据集成为加速度信号acc；其中，acc为加速度信号；acc

【专利技术属性】
技术研发人员：王开亮，陈彪，冯军，胡威，孟源，
申请(专利权)人：北京戴来科技有限公司，
类型：发明
国别省市：