多分类器的选取方法、冻结步态检测系统、设备、存储介质技术方案

本发明专利技术提供了一种多分类器的选取方法、冻结步态检测系统、设备、存储介质，选取方法包括：获取多个传感器的步态数据；将多个传感器的步态数据拼接成多通道数据；对多通道数据进行预处理；对预处理数据进行滑窗处理得到多个窗口数据；对多个窗口数据进行拓扑特征提取，获得每一个窗口数据的特征数据；利用训练好的多个分类器分别对每一个窗口数据的特征数据进行分类，获得分类结果；根据分类结果从多个分类器中选取目标分类器。本发明专利技术提出的多分类器的选取方法通过将多个传感器的步态数据拼接成多通道数据后再对多通道数据进行特征提取，使得提取的特征更加全面且将拓扑特征作为多个分类器的测试数据可以提升目标分类器的检测的准确率。检测的准确率。检测的准确率。

【技术实现步骤摘要】
多分类器的选取方法、冻结步态检测系统、设备、存储介质


[0001]本专利技术涉及冻结步态检测
，尤其涉及一种多分类器的选取方法、冻结步态检测系统、设备、存储介质。

技术介绍

[0002]帕金森病是由于神经元大量变性和死亡所导致的一种老年疾病，而冻结步态(freezing of gait，FOG)是一种以反复发作、短暂性、步态迟滞中止为特征的步态障碍，常发生于帕金森病人的中晚期，且发作原因不明。帕金森病的跌倒基本都是由FOG引起的，其对患者的身心健康以及生活质量都带来了严重的影响。研究表明，帕金森病无法彻底治愈，且药物治疗通常也只能够缓解冻结步态的症状，而FOG发作随机且对药物以及环境的敏感性使得临床上难以检测FOG，也不能准确评估帕金森病的严重程度。因此，FOG事件的早期检测是干预措施实施的基础，能够帮助发病的患者减少跌倒的次数，使其尽快恢复正常活动，同时FOG检测还可以作为病情评估的依据，对帕金森冻结步态的研究和治疗有着重要的指导应用。
[0003]根据传感器的不同可以将FOG的研究分为四类，包括基于脑电图信号检测FOG、基于3D运动分析系统以及测角仪获取人体行走时空参数以及动力学参数进行FOG分析、基于足底压力传感器的相关系数识别FOG、基于运动传感器获取的数据进行FOG分析检测。目前，大部分的研究都是根据运动传感器的数据进行FOG分析检测，且FOG的研究主要分为基于深度学习的方法和基于机器学习的方法，基于机器学习的方法，又分为有监督学习和无监督学习，在无监督学习中，主要通过PCA主成分分析的方法提取特征并与机器学习的分类器相结合，由于FOG的随机性与敏感性，现有的通过无监督学习获得的检测结果不是特别理想且缺乏稳定性，此外，在特征提取部分，往往都是人工手动筛选并提取的特征，使得整个检测过程比较繁琐。

技术实现思路

[0004]为了解决现有技术的不足，本专利技术提供一种多分类器的选取方法、冻结步态检测系统、设备、存储介质，能够提升FOG检测的准确率和稳定性。
[0005]本专利技术提出的具体技术方案为：一种基于拓扑特征的多分类器的选取方法，所述选取方法包括：
[0006]获取多个传感器的步态数据；
[0007]将所述多个传感器的步态数据拼接成多通道数据；
[0008]对所述多通道数据进行预处理，获得预处理数据；
[0009]对所述预处理数据进行滑窗处理得到多个窗口数据；
[0010]对多个窗口数据分别进行拓扑特征提取，获得每一个窗口数据的特征数据；
[0011]利用训练好的多个分类器分别对每一个窗口数据的特征数据进行分类，获得多个分类器对应的分类结果；
[0012]根据分类结果从多个分类器中选取目标分类器。
[0013]进一步地，对所述多通道数据进行预处理为对所述多通道数据进行归一化处理。
[0014]进一步地，对多个窗口数据分别进行拓扑特征提取，获得每一个窗口数据的特征数据，包括：
[0015]分别对多个窗口数据中的每一个窗口数据进行相空间重建，获得每一个窗口数据的点云数据；
[0016]对每一个窗口数据的点云数据进行持续同调，获得每一个窗口数据的持续同调图；
[0017]根据每一个窗口数据的持续同调图提取每一个窗口数据的拓扑特征，将每一个窗口数据的拓扑特征作为所述窗口数据的特征数据。
[0018]进一步地，利用训练好的多个分类器分别对每一个窗口数据的特征数据进行分类，包括：
[0019]将多个窗口数据的特征数据分为训练数据和测试数据；
[0020]利用所述训练数据分别对多个分类器进行训练，获得训练好的多个分类器；
[0021]利用训练好的多个分类器分别对所述测试数据进行分类。
[0022]进一步地，根据分类结果从多个分类器中选取目标分类器，包括：
[0023]根据分类结果获得每一个分类器的预定指标的数值；
[0024]将预定指标的数值最大的分类器选取为目标分类器。
[0025]进一步地，所述预定指标包括精确率、召回率、准确率、F1指数、特异性、敏感性。
[0026]进一步地，每一个窗口数据在时间轴上的长度与正常步态的时间长度相等，所述多个窗口数据中任意相邻两个窗口数据之间不重叠。
[0027]本专利技术还提供了一种基于拓扑特征的冻结步态检测系统，所述冻结步态检测系统包括多个传感器及选取装置，所述选取装置包括：
[0028]获取模块，用于获取多个传感器的步态数据；
[0029]拼接模块，用于将所述多个传感器的步态数据拼接成多通道数据；
[0030]预处理模块，用于对所述多通道数据进行预处理，获得预处理数据；
[0031]滑窗处理模块，用于对所述预处理数据进行滑窗处理得到多个窗口数据；
[0032]特征提取模块，用于对多个窗口数据分别进行拓扑特征提取，获得每一个窗口数据的特征数据；
[0033]测试模块，用于利用训练好的多个分类器分别对每一个窗口数据的特征数据进行分类，获得多个分类器对应的分类结果；
[0034]选取模块，用于根据分类结果从多个分类器中选取目标分类器。
[0035]本专利技术还提供了一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现上所述的选取方法。
[0036]本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机指令，所述计算机指令被处理器执行时实现如上所述的选取方法。
[0037]本专利技术提出的基于拓扑特征的多分类器的选取方法通过将多个传感器的步态数据拼接成多通道数据后再对多通道数据进行特征提取，获得多通道融合的特征，使得提取的特征更加全面，且将多通道数据的拓扑特征作为多个分类器的测试数据可以获得在常规
统计分析中丢失的关键信息，避免了手动提取特征造成的不稳定性和复杂性的问题，同时提升了目标分类器的检测的准确率。
附图说明
[0038]下面结合附图，通过对本专利技术的具体实施方式详细描述，将使本专利技术的技术方案及其它有益效果显而易见。
[0039]图1为本申请实施例中的基于拓扑特征的多分类器的选取方法的示意图；
[0040]图2为本申请实施例中对多个窗口数据分别进行拓扑特征提取的示意图；
[0041]图3为本申请实施例中的点云数据的示意图；
[0042]图4为本申请实施例中利用训练好的多个分类器分别对每一个窗口数据的特征数据进行分类的示意图；
[0043]图5为本申请实施例中的基于拓扑特征的多分类器的选取装置的示意图；
[0044]图6为本申请实施例中的设备的示意图。
具体实施方式
[0045]以下，将参照附图来详细描述本专利技术的实施例。然而，可以以许多不同的形式来实施本专利技术，并且本专利技术不应该被解释为限制于这里阐述的具体实施例。相反，提供这些实施例是为了解释本专利技术的原理及其实际应用，从而使本领域的其他本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于拓扑特征的多分类器的选取方法，其特征在于，所述选取方法包括：获取多个传感器的步态数据；将所述多个传感器的步态数据拼接成多通道数据；对所述多通道数据进行预处理，获得预处理数据；对所述预处理数据进行滑窗处理得到多个窗口数据；对多个窗口数据分别进行拓扑特征提取，获得每一个窗口数据的特征数据；利用训练好的多个分类器分别对每一个窗口数据的特征数据进行分类，获得多个分类器对应的分类结果；根据分类结果从多个分类器中选取目标分类器。2.根据权利要求1所述的选取方法，其特征在于，对所述多通道数据进行预处理为对所述多通道数据进行归一化处理。3.根据权利要求2所述的选取方法，其特征在于，对多个窗口数据分别进行拓扑特征提取，获得每一个窗口数据的特征数据，包括：分别对多个窗口数据中的每一个窗口数据进行相空间重建，获得每一个窗口数据的点云数据；对每一个窗口数据的点云数据进行持续同调，获得每一个窗口数据的持续同调图；根据每一个窗口数据的持续同调图提取每一个窗口数据的拓扑特征，将每一个窗口数据的拓扑特征作为所述窗口数据的特征数据。4.根据权利要求1所述的选取方法，其特征在于，利用训练好的多个分类器分别对每一个窗口数据的特征数据进行分类，包括：将多个窗口数据的特征数据分为训练数据和测试数据；利用所述训练数据分别对多个分类器进行训练，获得训练好的多个分类器；利用训练好的多个分类器分别对所述测试数据进行分类。5.根据权利要求1所述的选取方法，其特征在于，根据分类结果从多个分类器中选取目标分类...

【专利技术属性】
技术研发人员：颜延，刘语诗，吴选昆，陈达理，梁端，李慧慧，熊富海，王磊，熊璟，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：