【技术实现步骤摘要】
本专利技术属于计算机，特别涉及一种基于人体姿态分析的无接触式姿态提取系统和帕金森等级预测方法。
技术介绍
1、帕金森病(parkinson disease，pd)是一种中老年人常患的神经系统变性疾病。临床表现主要包括静止性震颤、肌张力增高、运动迟缓、姿势与步态障碍等。这些症状会对患者的日常生活造成很大影响，限制他们的活动能力，降低生活质量。
2、
3、然而，由于其症状的复杂性和与其他疾病的相似性，帕金森病的诊断仍然存在一定的难题，特别是在评估老年患者的五个严重性等级。一方面，现有的临床诊断方式过于依赖主治医生的主治经验和患者的自我回顾，主观性太强，可能导致帕金森病的确诊和治疗存在一定的隐患。另一方面，患有运动障碍的患中使用传感器识别异常步态行为存在数据漂移问题和佩戴困难的问题。此外，针对帕金森严重性等级的智能识别方案并不多。
技术实现思路
1、为了解决现有技术中存在的问题，本专利技术提供了一种基于人体姿态分析的无接触式姿态提取系统和帕金森等级预测方法。
2、本专利技术所采取的技术方案是：一种基于人体姿态分析的帕金森等级预测方法，包括：
3、获取用户行走时的运动视频；
4、使用无接触式的姿态传感系统提取和计算所述运动视频的关节坐标，获取运动特征；
5、对所述运动特征进行预处理操作和特征重要性分析，获取处理后的运动特征；
6、采用特征加权改进的k-近邻，对所述运动特征进行识别，获取帕金森严重性等级的预测
7、优选的，所述获取用户行走时的运动视频，具体包括：
8、针对用户设计特定的实验环境和行走路线，所述行走路线为两条宽为5m的三角形，两条路线均包括侧面行走姿态和正面行走姿态；
9、使用手机自带的相机模块与intel realsense深度相机分别采集包含二维与三维信息的用户在预定轨迹中的运动视频；
10、获取的运动视频实时上传到无接触式姿态提取系统的客户端。
11、优选的，所述使用无接触式的姿态传感系统提取和计算所述运动视频的关节坐标，获取运动特征，具体包括：
12、使用mediapipe无接触姿势提取系统提取所述运动视频中人体的33个关节点的三维坐标信息；
13、通过连接不同的关节，并利用几何数学计算人体运动的角度和长度特征，获取19个运动学特征；
14、基于所述19个运动学特征，构建原始帕金森数据集，设置训练、验证和测试集的数据比例为7:2:1。
15、其中，所述19个人体运动学特征包括：下身长宽比(lbar)、大腿之间的角度(abt)、步长(ss)、左右肘部角度(_ea)、左右肩部角度(_sa)、左右横向关节角度(_aja)、左右脚高度(_fh)、左右踝角度(_aa)、左右膝盖角度(_ka)、左右膝盖高度(_kh)、左右脚踝背侧(_abaa)。
16、优选的，所述运动特征进行预处理操作，具体包括：
17、设计pauta标准和mad算法组合，首先使用pauta标准检测异常值，然后使用mad算法再次检测异常值，最终去除mediapipe姿态数据中的异常值；
18、使用滤波处理，去除mediapipe姿态数据中的噪音信号，
19、其中，
20、对于低通滤波，使用butterworth滤波器，设置截止频率为10hz。butterworth滤波器具有在通带内的幅值特性，并且只需要两个参数ak与bk做表征，其幅度平方函数如下：
21、
22、最后通过差分方程获取滤波结果如下：
23、
24、其中ωc为-3db的截止频率，y(n)表示输出信号，y(n-k)、x(n-k)表示输入信号，m、n表示为滤波器的阶数，ak与bk分别为两个表征参数；
25、对于中值滤波，使用3×3的滤波器，对每个样本的数据进行滤波处理，并比较滤波前后数据的统计特征。
26、优选的，对所述运动特征进行特征重要性分析，具体包括：
27、使用pearson系数，对所述帕金森每个等级的19个运动学特征进行相关性分析；
28、使用xgboost算法，对所述所述帕金森每个等级的19个运动学特征进行降维处理。
29、优选的，所述特征加权改进的k-近邻优化操作，具体包括：
30、使用高斯函数对不同距离的样本进行权重分配优化，对k个近邻按照其贡献度高低分配不同的权值；
31、采用穷举搜索法对邻近样本点进行搜索，并选择欧几里得距离来评估样本点之间的距离，特征重要性权重采用欧式距离的平方倒数，
32、所述高斯函数表达式为：欧式距离表达式为
33、其中，其中a，b，c皆属于实数，d12为n维空间点a(x11,x12...x1n)和b(x21,x22...x2n)之间的欧式距离。
34、优选的，一种基于人体姿态分析的无接触式姿态提取系统，具体包括：
35、姿态坐标提取模块，用于提取运动视频中人体运动时关节点坐标；
36、姿态特征提取模块，用于通过所述关节点坐标计算运动特征，如膝角、足高、步速等19个运动特征，并建立运动特征的时序数据集。
37、其中，所述搭建无接触式姿态提取系统主要分为两步，
38、第一步，建立基于二维运动视频的运动姿态提取系统，并根据三维映射关系求解运动特征；
39、第二步，针对于二维运动数据计算运动的行为学特征误差较大问题，搭建深度相机下的三维运动姿态提取系统，实现对空间内运动的三维关节点坐标提取。
40、与现有技术相比，本技术具有的优点与有益效果如下：
41、1、本专利技术基于现有对帕金森等级的异常步态的行为特征进行挖掘，提供了一种无接触式的帕金森严重性等级识别系统。采用基于mediapipe的无接触式姿态提取系统，通过提取视频中人体运动的关节信息来获取实时变化的人体关节坐标，这简化了获取运动学特征的过程。此外，该系统能够帮助患者家人以及医生远程对患者的患病等级进行诊断，消除了传统传感器存在的数据漂移问题。
42、2、本文使用了改进后的加权k近邻算法，很好的避免了样本不平衡造成的分类错误。加权k-近邻算法对特征重要性得分高的特征分配更高的权重，且对异常值不敏感。通过对样本的预处理和降维处理，有效降低了模型的时间复杂度和空间复杂度。本专利技术基于k近邻算法的机器学习，又有效提高了实验精度和时效性，降低了成本。
43、3、本专利技术提供了一种基于人体姿态分析的帕金森严重性等级预测的人工智能方案，实现了快速、标准化、高精度的帕金森严重性等级识别。本专利技术可以作为评估不同级别帕金森病的可行性研究方案，可提高帕金森检测与诊断的便捷程度，减轻筛选帕金森患者的工作量，特别是它不再要求帕金森病患者佩戴复杂的传感器，这便于医生进行远程诊断，提高诊断的效率。
本文档来自技高网...【技术保护点】
1.一种基于人体姿态分析的无接触式姿态提取系统和帕金森等级预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于人体姿态分析的无接触式姿态提取系统和帕金森等级预测方法，其特征在于，所述获取用户行走时的运动视频包括：
3.根据权利要求1所述的一种基于人体姿态分析的无接触式姿态提取系统和帕金森等级预测方法，其特征在于，所述使用无接触式的姿态提取系统提取和计算所述运动视频的关节坐标，获取运动特征包括：
4.根据权利要求1所述的一种基于人体姿态分析的无接触式姿态提取系统和帕金森等级预测方法，其特征在于，所述对所述运动特征进行预处理操作包括：
5.根据权利要求1所述的一种基于人体姿态分析的无接触式姿态提取系统和帕金森等级预测方法，其特征在于，所述对所述运动特征进行特征重要性分析包括：
6.根据权利要求1所述的一种基于步态分析的抑郁症检测方法，其特征在于，所述特征加权改进的K-近邻优化操作包括：
7.根据权利要求1所述的一种基于步态分析的抑郁症检测方法，其特征在于，所述一种基于人体姿态分析的无接触式姿态提
...【技术特征摘要】
1.一种基于人体姿态分析的无接触式姿态提取系统和帕金森等级预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于人体姿态分析的无接触式姿态提取系统和帕金森等级预测方法，其特征在于，所述获取用户行走时的运动视频包括：
3.根据权利要求1所述的一种基于人体姿态分析的无接触式姿态提取系统和帕金森等级预测方法，其特征在于，所述使用无接触式的姿态提取系统提取和计算所述运动视频的关节坐标，获取运动特征包括：
4.根据权利要求1所述的一种基于人体姿态分析的无接触...
【专利技术属性】
技术研发人员：李建，尚明英，邹智恺，吕晓永，许嘉桐，
申请(专利权)人：东北大学秦皇岛分校，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。