基于确定学习理论的步态分析及在神经退行性疾病分类中的应用

发布时间：2017-06-09 00:01

  本文关键词：基于确定学习理论的步态分析及在神经退行性疾病分类中的应用，由笔耕文化传播整理发布。

【摘要】：步态即为人体走路时的姿态,是一种复杂的运动过程。人的行走同时需要神经系统、感觉系统和运动系统之间的相互协调,所以人体走路的姿态可以从侧面反映出人体的生物特征、健康状况等。步态分析就是研究步行规律的方法,是一种对人体行走方式进行客观记录并对步行功能进行系统评价的有效手段,旨在通过生物力学和运动学手段,揭示人体步态的关键环节和影响因素。步态特征是可以远距离获取的生物特征,所以从智能视频监控的角度来看,步态识别的应用前景非常广泛。由于不同的疾病可有不同的特殊异常步态,如神经性退行性类疾病,包括帕金森病(Parkinson's disease,PD)、亨廷顿氏舞蹈症(Huntington's disease,HD)和肌萎缩性脊髓侧束硬化症(Amyotrophic Lateral Sclerosis,ALS)。因此对步态的定量分析也可为疾病的诊断提供重要的线索。确定学习理论,是一个在未知动态环境下利用径向基函数(Radial Basis Function,RBF)神经网络实现对知识获取、表达、存储和再利用的机器学习新理论。它能够对步态系统动力学进行局部准确的辨识,并将过程中学习到有关个体的步态动态知识以常值RBF神经网络权值的形式保存起来。之后,利用常值RBF神经网络构造一组动态估计器用以表征训练模式。在测试阶段时,把待测试的模式与这组动态估计器进行比较,会产生一组L1范数形式的误差,可以将它作为待测试模式和训练模式之间相似程度的衡量标准,根据最小误差准则将测试模式快速识别出来。基于确定学习理论和团队的工作基础,本文着重进行了步态分析在实际应用中的探索和研究。基于现有的步态特征提取的相关理论和算法,尝试采用Kinect作为步态特征提取的新方法,对特征信息提取问题进行了探讨。重点介绍了基于确定学习的步态快速识别系统的设计工作。该系统在Matlab GUI上开发,涉及了数据采集,步态训练,步态识别和疾病分类等几个模块框架的设计与实现,直观演示了步态识别、结果展示和疾病分类的整个流程。目的是在步态识别方面,尽量提高识别率和识别速度;在疾病分类方面,完成NDDS疾病分类实验,验证算法。为提高神经网络的并行计算速度,采用了基于英伟达CUDA并行计算架构的Jacket并行计算工具用于加速并行计算过程。
【关键词】：确定学习 并行计算 Matlab GUI 步态识别 神经退行性疾病
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18;R741
【目录】：

• 摘要5-6
• Abstract6-10
• 第一章 绪论10-16
• 1.1 研究背景及意义10-11
• 1.2 研究现状及难点11-15
• 1.2.1 国内外研究现状11-14
• 1.2.2 步态分析面临的困难14-15
• 1.3 本文内容及结构15-16
• 第二章 确定学习理论16-23
• 2.1 引言16
• 2.2 确定学习理论16-21
• 2.2.1 径向基函数（RBF）神经网络16-18
• 2.2.2 持续激励条件18-19
• 2.2.3 动态模式的快速识别19-21
• 2.3 确定学习在步态分析中的应用概况21-22
• 2.4 本章小结22-23
• 第三章 基于Kinect和确定学习的步态识别23-38
• 3.1 引言23
• 3.2 步态数据库23-26
• 3.2.1 CASIA步态数据库23-24
• 3.2.2 自建Kinect数据库24-26
• 3.3 步态识别算法26-28
• 3.3.1 基于模型的方法26-27
• 3.3.2 基于外观方法27-28
• 3.4 基于Kinect的特征信息提取28-31
• 3.4.1 Kinect简介28-29
• 3.4.2 特征提取实现29-31
• 3.5 步态学习和识别机制31-35
• 3.5.1 双足连杆模型31-33
• 3.5.2 学习机制33-34
• 3.5.3 识别机制34-35
• 3.6 实验35-37
• 3.7 本章小结37-38
• 第四章 系统的设计与实现38-49
• 4.1 引言38
• 4.2 系统实现平台38-39
• 4.3 并行计算及在确定学习理论的应用39-42
• 4.4 系统设计42-48
• 4.4.1 系统整体设计42-43
• 4.4.2 数据采集及训练模块43-46
• 4.4.3 测试模块46-48
• 4.5 本章小结48-49
• 第五章 基于确定学习的神经退行性疾病(NDDS)分类49-63
• 5.1 引言49
• 5.2 神经退行性疾病步态动力学数据库49-50
• 5.3 疾病分类方法50-58
• 5.3.1 特征选择和提取53-57
• 5.3.2 步态学习机制57
• 5.3.3 疾病分类机制57-58
• 5.4 实验58-62
• 5.5 本章小结62-63
• 结论与展望63-65
• 参考文献65-71
• 攻读硕士学位期间取得的研究成果71-72
• 致谢72-73
• 附件73

【相似文献】

中国期刊全文数据库 前4条

1 李一波;李昆;姬晓飞;;多视角步态识别新算法的难点与动向[J];生物医学工程学杂志;2014年01期

2 郭忠武,丁海曙,王广志,丁辉;基于运动学和动力学参数的步态识别研究[J];生物医学工程学杂志;2005年01期

3 张虎军;张楠楠;顾建文;唐植;蔡峰;;人体运动监测技术的发展与应用[J];医疗卫生装备;2011年08期

4 ;[J];;年期

中国重要会议论文全文数据库 前8条

1 邓玉春;刘世平;;自动步态识别方法研究综述[A];2007通信理论与技术新发展——第十二届全国青年通信学术会议论文集（上册）[C];2007年

2 何卫华;李平;文玉梅;叶波;袁海军;;运用下肢关节角度信息进行步态识别[A];第十三届全国图象图形学学术会议论文集[C];2006年

3 肖军;苏洁;郑波;贾鹏宇;;智能仿生腿在不同路况下的步态识别系统研究[A];2007中国控制与决策学术年会论文集[C];2007年

4 张聪;明东;万柏坤;;基于小波描述子和人体骨架模型的多视角融合步态识别[A];天津市生物医学工程学会第29届学术年会暨首届生物医学工程前沿科学研讨会论文集[C];2009年

5 朱京红;方帅;高明;方杰;;基于人工免疫模型的步态识别方法[A];第十四届全国图象图形学学术会议论文集[C];2008年

6 叶波;文玉梅;李平;;基于核主元分析和支持向量机的步态识别算法[A];第十三届全国图象图形学学术会议论文集[C];2006年

7 王科俊;阎涛;吕卓纹;;基于耦合度量学习的特征级融合方法及在步态识别中的应用[A];2013年中国智能自动化学术会议论文集（第三分册）[C];2013年

8 王科俊;贲f[烨;;基于线性插值的特征模板构造的步态识别算法框架[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

中国重要报纸全文数据库 前2条

1 编译 刘东征;新型“步态密码”给手机加把锁[N];北京科技报;2005年

2 若水;分析步态识别身份[N];光明日报;2003年

中国博士学位论文全文数据库 前10条

1 刘磊;基于多源信息的步态识别算法研究[D];河北工业大学;2015年

2 余杰;基于视频的人体目标跟踪与识别技术研究[D];电子科技大学;2016年

3 贲f[烨;基于人体运动分析的步态识别算法研究[D];哈尔滨工程大学;2010年

4 曾玮;基于确定学习理论的人体步态识别研究[D];华南理工大学;2012年

5 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

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 薛召军;基于小波变换和支持向量机相结合的步态识别新方法研究[D];天津大学;2007年

8 胡荣;人体步态识别研究[D];华中科技大学;2010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 刘海涛;基于立体视觉的步态识别研究[D];中国科学技术大学;2010年

中国硕士学位论文全文数据库 前10条

1 杨楠;基于视触觉多特征融合的步态识别方法研究[D];河北工业大学;2015年

2 周浩理;复杂背景下多特征融合的人体步态识别研究[D];海南大学;2016年

3 李雪燕;视频监控中人体步态识别方法研究[D];长春工业大学;2016年

4 潘秀芳;基于手机的步态识别研究[D];燕山大学;2016年

5 罗璨;存在干扰因素情况下的步态识别统动力学初步探索[D];苏州大学;2016年

6 张鹏;耦合度量学习理论及其在步态识别中的应用研究[D];山东大学;2016年

7 沈小康;基于Kinect的人体步态跟踪与识别技术[D];山东大学;2016年

8 周洁;基于姿态与压力信息的步态识别方法[D];西南交通大学;2016年

9 陈庆峰;基于确定学习理论的步态分析及在神经退行性疾病分类中的应用[D];华南理工大学;2016年

10 陈玲;基于视频流的步态识别系统研究与实现[D];暨南大学;2016年

  本文关键词：基于确定学习理论的步态分析及在神经退行性疾病分类中的应用，，由笔耕文化传播整理发布。

本文编号：433977