基于运动感知的帕金森患者冻结步态检测方法研究

发布时间：2020-10-19 19:09

　　 冻结步态(Freezing of gait,FOG)是中晚期帕金森病(Parkinson’s disease,PD)患者最常见的步态障碍,极易导致患者跌倒并对其身心健康及生活质量产生严重的影响。带有节律性听觉刺激的可穿戴系统可作为干预FOG的辅助工具,减少发病患者的跌倒风险。冻结步态检测作为该系统的基础,还可为病情评估提供相关症状信息,具有重要的研究意义和应用价值。本文设计了相关实验流程,采集了12名PD患者的冻结步态信号,其中运动传感器被部署在患者腰部、左右大腿等9个位置。实验总共记录了2小时31分钟的数据,10名患者在试验期间表现出FOG,专业医师从视频记录中共识别出276个FOG事件。在此基础上,本文围绕冻结步态检测过程中的划分时间窗、特征提取与选择、分类等问题展开了系统的研究。本文对传感器各轴信号提取了13个典型时频域特征。针对高维特征空间引起的分类精度下降和计算开销大等问题,选取互信息和方差分析这两种特征选择方法对特征重要性进行了评价并比较了两种方法的有效性。本文评估了单一传感器和多传感器组合的检测效果,并使用方差分析为几种传感器配置选择了最佳特征。在综合考虑检测性能、成本及实际部署要求等因素后,选择左小腿加速度计和陀螺仪的组合作为最佳传感器配置并为其选取了35个最佳特征。本文将随机森林、AdaBoost、线性判别分析、多层感知神经网络应用于冻结步态分类算法设计中,研究了正负样本比例和时间窗大小对分类器性能的影响,逐步优化了检测模型的性能。最终结果表明,当以1.25s时间窗、0.15s步长进行滑窗采样,提取左小腿加速度计和陀螺仪各轴的35个特征作为特征向量并使用由正负样本比例为1的样本集训练得到的AdaBoost模型进行分类时,可获得87.3%灵敏度,91.2%特异性,89.5%AUC的最佳检测效果。
【学位单位】：华中科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP212;R742.5
【部分图文】：

图 2-4 试验场地示意图数据预处理在采集到步态信号后，我们需要对数据进行预处理。数据预处理包括三个部数据转换，数据标注和数据清洗，如图 2-5 所示。数据转换主要是对上位机的数据进行解码和循环冗余校验（CyclicRedundancyCheck，CRC），解码过

图 2-4 试验场地示意图2.3 数据预处理在采集到步态信号后，我们需要对数据进行预处理。数据预处理包括三个分，数据转换，数据标注和数据清洗，如图 2-5 所示。数据转换主要是对上位采集的数据进行解码和循环冗余校验（CyclicRedundancyCheck，CRC），解码

图 2-6 FOG 事件持续时间直方图本集获取对步态数据进行预处理后，需要使用划分时间窗策略分割传感器数据流窗口。具体而言，当采样频率为 f 赫兹，窗口长度为m 秒，步长为t秒时传感器信号在一段时间内采集到的l个点使用划分时间窗策略后，可得 m) / t 1个连续的数据窗，该过程示意图如图 2-7 所示。对于每个窗口对结果，由于患者发生 FOG 的观察时间点比实际时间点有所滞后，本文窗口中最后时刻的采样点对应的标签结果为该窗口的标签（标签为 0 代对应的状态为正常状态，标签为 1 代表此窗口对应的状态为冻结状态础上，对各窗口数据提取特征即可得到特征集合，也就是原始样本集始样本集中正常步态样本和冻结步态样本比例差异较大，若用保持原始
【相似文献】

相关期刊论文 前10条

1 王鹤;石玉;;基于步态识别的人物鉴定系统在犯罪搜查中的应用[J];中国安防;2018年10期

2 陆欣娆;;步态识别特征工程算法研究[J];现代商贸工业;2019年10期

3 金堃;陈少昌;;步态识别现状与发展[J];计算机科学;2019年S1期

4 晨月;钟鑫;;世界首个基于步态识别的嫌疑人鉴定系统[J];中国安防;2018年04期

5 何逸炜;张军平;;步态识别的深度学习:综述[J];模式识别与人工智能;2018年05期

6 李玲玲;;人脸识别和步态识别技术融合的必要性[J];电脑知识与技术;2018年28期

7 ;中科院“步态识别”技术 不看脸50m内完成识别[J];智能建筑与智慧城市;2017年10期

8 雷玉堂;;步态识别技术的工作原理及发展趋势[J];中国公共安全;2015年Z2期

9 ;“步态识别”技术:50米内人群中认出你[J];东西南北;2017年21期

10 张艳静;;“刷脸”正盛,步态识别又来了[J];农村青少年科学探究;2018年06期

相关博士学位论文 前10条

1 陈欣;多步态识别与合成[D];暨南大学;2018年

2 李超;基于卷积神经网络的人体行为分析与步态识别研究[D];浙江大学;2019年

3 李双群;渐进式行人重识别关键技术研究[D];北京邮电大学;2019年

4 李伟;基于单角色视频的人物运动分析[D];山东大学;2018年

5 苏菡;基于步态分析的身份识别研究[D];哈尔滨工程大学;2006年

6 赵国英;基于视频的步态识别[D];中国科学院研究生院（计算技术研究所）;2005年

7 田光见;步态特征提取与识别技术研究[D];西北工业大学;2006年

8 柴艳妹;基于步态特征的身份识别技术研究[D];西北工业大学;2007年

9 顾磊;基于图像序列的人体步态识别方法研究[D];南京理工大学;2008年

10 张元元;基于序列统计特性的步态识别算法研究[D];山东大学;2010年

相关硕士学位论文 前10条

1 冯雨欣;基于深度学习的步态识别方法研究[D];南昌大学;2019年

2 吕钦;基于深度学习的手语识别及步态预测[D];安徽工业大学;2019年

3 胡慧莲;基于足底压力与姿态信号的步态识别系统设计[D];哈尔滨工业大学;2019年

4 朱正模;基于智能鞋垫的足底类型识别设计[D];成都理工大学;2019年

5 贺刚;人体下肢运动捕捉及步态识别技术研究[D];广东工业大学;2019年

6 刘洪;基于AHRS的室内定位方法的研究[D];西安电子科技大学;2019年

7 赵盼盼;单视角和多视角的步态识别算法研究[D];西安电子科技大学;2019年

8 韩璐瑶;基于事件驱动的步态识别方法设计[D];大连理工大学;2019年

9 郑慧平;基于步态特征的身份识别技术研究[D];山东科技大学;2018年

10 施翼;基于运动感知的帕金森患者冻结步态检测方法研究[D];华中科技大学;2019年

本文编号：2847605