基于多任务图融合学习的可解释异常步态检测方法及模型技术

本发明专利技术公开了基于多任务图融合学习的可解释异常步态检测方法及模型，方法为：构建步态图并将多个步态图按照时间排列得到时序步态图；构建LRP‑MGG神经网络模型；将时序步态图通过LRP‑MGG神经网络模型的累加性GRU块提取步态时间依赖性特征；将步态时间依赖性特征利用深层GCN模块获取嵌入在时间依赖特征空间中的局部空间特征；通过DiffPool模块进行基于图的步态模式分类；利用步态时空显著差异特征通过CNN深度卷积神经网络模型学习得到可解释的异常步态信息；再采用分层相关传播LRP计算得到每个特征的重要性得分。本发明专利技术将多个任务的训练结合起来，减少数据的量和复杂度，从而提高模型的泛化能力和预测能力。

【技术实现步骤摘要】

本专利技术涉及数据处理领域，尤其涉及基于多任务图融合学习的可解释异常步态检测方法及模型。

技术介绍

1、步态是人体行走的姿态特征，是在人体神经系统协调作用下，人体运动系统相关骨骼、肌肉、关节相互耦合作用的外在体现，与人体神经功能、运动功能、认知功能、视觉功能等生理功能因素密切相关，若其相关生理功能病变，则步态体现异常。准确鉴别异常步态及其变化有利于相关疾病(诸如、老年退行性疾病、老年人跌倒等)早诊断、早预防、诊疗和康复评价。

2、在步态分析中，如何精确区分且可解释异常步态模式一直是一个亟待解决挑战性问题。越来越多的研究致力于寻找量化分析步态变化的方法，以避免因定性评估(如视觉检查和临床医生的专业经验)引起低准确性。获得准确可靠的鲁棒的步态数据是量化异常步态的第一重要步骤。在大多数相关研究中，基于运动捕捉的三维步态分析系统广泛使用于收集步态数据。该系统通常与基于高速摄像机的运动捕捉系统、脚底压力传感器的力平台和肌电图(emg)采集系统整合在一起，以同时获取不同的步态参数，如时空运动学数据、动力学数据和emg数据。这些参数主要包括步态周期、步行速度本文档来自技高网...

【技术保护点】

1.基于多任务图融合学习的可解释异常步态检测方法，其特征在于：其包括以下步骤：

2.根据权利要求1所述的基于多任务图融合学习的可解释异常步态检测方法，其特征在于：步态图为描述人体拓扑结构的未加权图G＝{v,e}，且为按照人体自然连接方式构建的无向图，是一组关节节点，n表示下肢关节的数量，每个下肢关节作为一个节点；表示传感器节点之间连接边的集合，m表示步态图的边数量；步态图等价的表示为G＝{X,A}，是下肢节点的所有节点属性，A∈{0,1}n×n表示记录节点的连接关系的一个邻接矩阵；时序步态图为等价的表示为异常步态识别问题看作是训练映射函数f，使用预测步态模式，定义为:

...

【技术特征摘要】

1.基于多任务图融合学习的可解释异常步态检测方法，其特征在于：其包括以下步骤：

2.根据权利要求1所述的基于多任务图融合学习的可解释异常步态检测方法，其特征在于：步态图为描述人体拓扑结构的未加权图g＝{v,e}，且为按照人体自然连接方式构建的无向图，是一组关节节点，n表示下肢关节的数量，每个下肢关节作为一个节点；表示传感器节点之间连接边的集合，m表示步态图的边数量；步态图等价的表示为g＝{x,a}，是下肢节点的所有节点属性，a∈{0,1}n×n表示记录节点的连接关系的一个邻接矩阵；时序步态图为等价的表示为异常步态识别问题看作是训练映射函数f，使用预测步态模式，定义为:

3.根据权利要求2所述的基于多任务图融合学习的可解释异常步态检测方法，其特征在于：步骤3中提取步态时间依赖性特征具体的表达式如下：

4.根据权利要求2所述的基于多任务图融合学习的可解释异常步态检测方法，其特征在于：步骤4中深层gcn模块采用残差连接和预激活技术构建，包括采用残差连接的两个gcn组块，两个gcn组块进行特征相加；gcn模型可利用非欧几里得空间中的时序依赖特征h和邻接矩阵a提取不同关节节点之间的空间依赖特征；每个gcn组块包括依次设置的层归一化、relu函数、dropout和广义聚合网络gen，层归一化用于将输入数据归一化，大大提高了神经网络的训练速度；relu表示sigmoid激活函数，dropout缓解过拟合问题；第一个gcn组块的gen用于预激活时间依赖特征h，并与每个残差块连接，以确保深度训练。

5.根据权利要求2所述的基于多任务图融合学习的可解释异常步态检测方法，其特征在于：步骤5中diffpool模块被构建用于分类基于图的异常步态模式，diffpool模块由池化网络和一个全连接层...

【专利技术属性】
技术研发人员：吴建宁，黄杰胜，许展宏，王亮，陈琳娜，曹冉冉，
申请(专利权)人：福建师范大学，
类型：发明
国别省市：