基于机器学习的步态与ECG关联性分析研究

发布时间：2020-06-13 19:37

【摘要】：步态是随着时间的变化而变化的有序动作,它是人们日常生活中最本质的、无处不在的一项运动,人体各个部位的协调的运动模式结合在一起就构成了步行的行为特征。心脏也是人体至关重要的器官,而心电图(ECG)信号体现出心脏进行周期性搏动的详细信息。两者都与健康紧密相关,并被广泛应用于各个领域,尤其在运动领域及医疗康复领域,于是步态特征与ECG信号之间的关联性研究尤为重要。但同时,步态与ECG的复杂多变性又对两者的关联性研究带来很大的挑战。本文在分别研究步态特征与ECG信息的基础上,建立一种新的回归模型。本文主要研究内容归纳如下:(1)设计5种场景实验,在不同状态下走路或跑步,通过运动采集系统捕捉到身体各部位行走时的三维坐标,提取特征,以每个步态周期为时间点,提取步态特征,最后对提取的特征中以十个步态周期为一段,即十步一段取均值。(2)通过基于自动调整阈值的方法检测到ECG信号中的R波位置,并以回溯搜索、不应期检测算法保证定位的准确率。本文对算法的初始化阈值进行了改进,防止干扰信号对阈值的影响,使阈值更具合理性;同时,在对ECG不应期时,设不应期随着RR间期的改变自动调整,使算法适应性更强。(3)提出了一种基于正则化极限学习机(RELM)的回归模型,心电图信息与人体步态的关联性分析,对采集到的真实心电信号和步态特征的8个方面进行分析。以每十个步态周期为一小子集构成数据集。实验结果表明,人类步态确实具有潜在的关联性,且基于RELM回归模型的步态特征可以用于RR间期预测。此外,增加步态特征的数量可以显著提高预测性能;我们的发现表明步态速度越快,预测性能越好。研究发现,步行和跑步的心电信息的预测结果略有不同。
【图文】：

定量分析法,脚印,分析法,定量分析

人们为了追求更准确的结果，开始借助一些仪器进行定量分析，如皮逡逑尺记录长度，钟表记录时间，量角器记录角度信息等等，早期最简单的定量分析逡逑方法是通过足印分析法，如图１．１所示：逡逑２逡逑

基本设备,步态分析系统

逦基于压力传感器的步态检测系统。Ｄｅｓｃｈａｍｐｓ邋Ｋ等人针对糖尿病足部减压敷料，测试了一种包含薄压敏电阻的新型便携式系统的临床实用性和［２８］。除此之外，还有很多学者设计了基于足底压力传感器的步态分析系统基于图像的步态动作捕捉系统。它是由斯坦福大学神经生物力学实验造的，步态动作捕捉系统分为二维步态采集设备［３４，３５］及三维运动跟踪系统。国内外常用的是三维运动捕捉系统，它通过摆放在空间中的若干个跟踪设体的运动状况以图像的形式记录，，并用计算机对记录的数据进行处理分析相应跟踪设备上的三维空间坐标（Ｘ，Ｙ，Ｚ），是一种用于精确检测人体在期的实时运动捕捉设备。研究人员常用的有ＶＩＣＯＮ三维步态分析系ＭＣＵ５００三维步态分析系统［３７］、Ｍｏｔｉｏｎ邋Ａｎａｌｙｓｉｓ邋Ｏｒｔｈｏｔｒａｋ步态分析系统三维运动跟踪分析系统主要分为感光式、电磁式、超声波式等几大类。感光式又有可见光和红外光的识别两大类，而对于标记的捕捉上又可分为和被动式两种。Ｃｏｄａｍｏｔｉｏｎ就是主动式的红外运动跟踪系统［３８］，这种采集拥有比视频监控更高的精准度，而且操作简单易懂。如图１．２所示，是Ｃｏｄａ系统相关设备。逡逑
【学位授予单位】：杭州电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R540.4;TN911.7;TP181

【参考文献】