基于广义K近邻分类器的老年人足底压力特征选择及跌倒预测的实证研究

发布时间：2017-08-26 21:16

  本文关键词：基于广义K近邻分类器的老年人足底压力特征选择及跌倒预测的实证研究

  更多相关文章： 跌倒史 老人 足底压力 样本熵 广义K近邻分类

【摘要】：跌倒是指生活中老年人要面对的常见而又严重的问题。老年人发生跌倒不是一种意外,存在潜在的危险因素,是可以预防和控制的。采用早期跌倒风险评估方法,识别高风险患者并开展具有针对性的预防措施,可以有效地减少跌倒的发生。本文以老年人为实验对象,获取其在行走及坐起-站立时的足底压力数据,确定客观地度量老年人足底压力各变量是否能预测跌倒,设计出一种基于足底压力传感器结合广义K近邻分类器的跌倒风险评估系统来检测人们的跌倒行为。研究方法在文章中,以北京市马连洼街道,年龄不小于65岁的38名社区老年人为研究对象。根据近一年内的跌倒史和平衡能力测试评分,将老年人分为跌倒组与无跌倒组。设计足底压力测试系统共采集两种类别的足底压力数据,正常行走时的数据和坐起-站立时的数据。对足底压力分量的样本熵进行分析后,通过特征选择的方法搜索最优的特征子集时,采用广义K近邻分类器:基于局部均值的K近邻分类、伪近邻分类和基于局部均值的伪近邻分类将老年人分成两组:具有跌倒风险与无跌倒风险人群,并且分析和比较分类性能来挑选最优特征子集。研究结果(1)基于足底压力测试系统采集老年人的足底压力数据,对两组老年人群的足底压力分量的样本熵特性进行统计分析。分析后发现左右足的足底压力分量的样本熵统计特性并不完全相同:右脚足底压力分量的样本熵具有更多的组间差异。(2)通过实验结果的分析和比较,我们有理由认为基于局部均值的伪近邻分类器(LMPNN)能够作为最佳的跌倒风险评估分类器,正确率、敏感性及特异性都达到了100%,对应的最优特征子集是:行走过程中左足在垂直方向上的足底压力(L_SI_F),行走过程中右足在内外侧方向上的足底压力(R_ML_F),行走过程中右足在前后方向上的足底压力(R_AP_F),和坐起-站立过程中左足在垂直方向上的足底压力(L_V_F)。研究结论(1)为了量化足底压力特征的时间序列信号,首次使用样本熵分析。左足和右足的相关变量的样本熵的统计特性不同。因此在采集和分析老年人的足底压力数据时应该分开处理。(2)实现了基于足底压力的老年人群分类系统。优化的特征子集和分类器参数是分类器性能的重要保障。实验结果给出了分类系统的分类结果及提取的特征子集。该特征子集对于研究具有客观性的老年人跌倒风险评估系统具有重要的意义。
【关键词】：跌倒史 老人 足底压力 样本熵 广义K近邻分类
【学位授予单位】：深圳大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：R592
【目录】：

• 摘要3-5
• Abstract5-9
• 第1章 绪论9-14
• 1.1 选题背景及研究意义9-10
• 1.2 国内外研究现状综述10-12
• 1.3 主要研究内容及创新点12-14
• 第2章 研究对象和数据采集14-18
• 2.1 实验对象14
• 2.2 足底压力平台测试14-17
• 2.3 平衡能力测试17-18
• 第3章 数据分析18-22
• 3.1 分析变量18-20
• 3.2 样本熵20-21
• 3.3 统计分析21-22
• 第4章 基于足底压力特性的分类系统22-29
• 4.1 广义K近邻分类算法22-27
• 4.2.1 基于局部均值的K近邻分类22-23
• 4.2.2 伪近邻分类23
• 4.2.3 基于局部均值的伪近邻分类23-27
• 4.2 特征选择27-29
• 4.2.1 特征选择方法27
• 4.2.2 特征选择的评估准则27-29
• 第5章 实证研究结果29-33
• 5.1 实验对象的基本特征比较29
• 5.2 平衡能力评估29
• 5.3 分类结果29-31
• 5.4 足底压力变量的样本熵的统计分析31-33
• 第6章 讨论与总结33-37
• 6.1 讨论33-35
• 6.2 本研究的局限35
• 6.3 总结35-37
• 参考文献37-41
• 致谢41-42
• 攻读硕士学位期间的研究成果42

【相似文献】

中国期刊全文数据库 前10条

1 姜萱;;利用数据挖掘技术构造医学图像分类器的研究[J];时珍国医国药;2008年08期

2 谢华;夏顺仁;张赞超;;医学图像识别中多分类器融合方法的研究进展[J];国际生物医学工程杂志;2006年03期

3 韦艳艳;李陶深;张超群;;集成分类器组合算法及其在医学诊断中的应用[J];广西大学学报(自然科学版);2013年05期

4 谢华,夏顺仁,高光金;基于分类器融合的骨髓细胞识别研究[J];计算机工程与应用;2005年27期

5 崔克彬,李战怀,张阳;DRC-BK分类器的规则筛选算法[J];医学信息;2004年09期

6 谢文娟,曾立波,王思贤,吴琼水,张燕;骨髓细胞多光谱显微图像分类器的设计[J];计算机工程与应用;2005年02期

7 曹美玲;张新峰;沈兰荪;;分类器融合技术在中医舌象老嫩识别中的应用研究[J];北京生物医学工程;2006年06期

8 涂有强;陈香;张旭;赵章琰;杨基海;;一种适用于手势动作sEMG信号识别的改进型模糊推理分类器[J];北京生物医学工程;2008年04期

9 孙利;徐伟栋;厉力华;刘伟;彭芳青;张娟;;基于双视角和多分类器信息融合的乳腺钼靶图像肿块分类研究[J];中国生物医学工程学报;2011年01期

10 郑斌;厉力华;;基于多特征信息及Ma-Ada多分类器融合的蛋白质结构类预测[J];中国生物医学工程学报;2013年05期

中国重要会议论文全文数据库 前10条

1 王占一;徐蔚然;刘东鑫;郭军;;一种基于两级分类器的垃圾短信过滤方法[A];第五届全国信息检索学术会议论文集[C];2009年

2 翟静;李海宏;唐常杰;陈敏敏;李智;;可验证对象集分类器的再训练演进[A];第十九届全国数据库学术会议论文集（研究报告篇）[C];2002年

3 陈继航;刘家锋;赵巍;唐降龙;;联机手写识别笔段特征分类器的学习方法[A];黑龙江省计算机学会2009年学术交流年会论文集[C];2010年

4 穆明生;;基于特征集的多种分类器模型的在线笔迹认证[A];第十届全国信号处理学术年会（CCSP-2001）论文集[C];2001年

5 彭涛;左万利;赫枫龄;;基于链接上下文的分类器主题爬行技术(英文)[A];第二十三届中国数据库学术会议论文集（技术报告篇）[C];2006年

6 王岚;陈珂;迟惠生;;基于多特征组合多分类器的方法用于“与文本无关”的说话人辨认[A];第四届全国人机语音通讯学术会议论文集[C];1996年

7 谢秋玲;;应用于心电图分类的KNN-SVM分类器研究[A];2006中国控制与决策学术年会论文集[C];2006年

8 胡琼;汪荣贵;胡韦伟;孙见青;;基于级联分类器的快速人脸检测方法[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用（CACIS）学术会议论文集[C];2007年

9 李兰春;王双成;杜瑞杰;;认知结构评估的动态贝叶斯网络分类器方法[A];2011年中国智能自动化学术会议论文集（第一分册）[C];2011年

10 邵小健;段华;贺国平;;一种改进的最少核分类器[A];中国运筹学会第七届学术交流会论文集（上卷）[C];2004年

中国重要报纸全文数据库 前1条

1 黄明;精子分类器决定生男生女[N];广东科技报;2000年

中国博士学位论文全文数据库 前10条

1 张非;对抗逃避攻击的防守策略研究[D];华南理工大学;2015年

2 张文博;多类别智能分类器方法研究[D];西安电子科技大学;2014年

3 许劲松;智能交通中目标检测与分类关键技术研究[D];南京理工大学;2014年

4 余家林;普通场景视频人脸检测与识别的关键技术研究[D];浙江大学;2016年

5 赵作林;基于图像分析的北京地区杨树种类识别研究[D];北京林业大学;2015年

6 任亚峰;基于标注和未标注数椐的虚假评论识别研究[D];武汉大学;2015年

7 曹鹏;不均衡数据分类方法的研究[D];东北大学;2014年

8 刘明;分类器组合技术研究及其在人机交互系统中的应用[D];北京交通大学;2008年

9 严志永;在划分数据空间的视角下基于决策边界的分类器研究[D];浙江大学;2011年

10 王U，

本文编号：742983