基于步态非线性特征的心电RR间隔预测关联方法与流程

本发明属于机器学习与信号处理、医疗健康、人体运动分析等技术领域，涉及一种基于步态非线性特征的心电rr间隔预测关联方法。

背景技术：

随着科技的进步，人类生活水平的提高，人们也越来越关注自身的健康，因此对于医疗服务质量的要求也越来越高。心律失常是一种极其常见的电活动异常状态，严重时甚至可以导致猝死。当前，心脑血管疾病仍旧是危害人类生命健康的主要疾病之一。尤其是在运动过程中，运动过量造成身体的不适甚至猝死等特别严重的后果。

现有仪器仪表的步态分析系统主要包括视频的运动测量系统、压力信息的运动监测系统、表面肌电信号监测系统。但这些方法存在数据量大，不便于存储；处理相对较复杂，实时性较差；信息缺少，易受到干扰的缺点。ecg信号的研究对医学领域的发展意义重大，为心肌梗塞、窦性心律不齐和心脏性猝死等患者的治疗提供了很大的价值。qrs波群是ecg信号的重要组成部分，主要方法有神经网络和小波变换，但其存在初始阶段的训练时间较长，计算量较大，不适合实时检测的缺点。将两者结合研究，具有重要的价值及意义。在医疗领域，可进行心脏疾病预测和监护，患者通过佩戴一些便携式设备，用来检测记录病人的身体参数，进行心电信号提取，并同步测量和记录人体运动强度，对患者的动作进行智能监护。在运动领域，通过结合运动学等知识可以帮助运动员在不影响身体安全的状况下更准确、有针对性地锻炼运动，以优化和提升竞技成绩表现。人体步态信号本质上可看作是由复杂动力学系统产生的复杂非平稳信号。近年来，随着技术的发展，一些适用于非线性非平稳信号的分析方法被提出，例如lyapunov指数、熵及复杂度等。仅仅采用传统步态特征参数显然不足以刻画不同运动模式的步态蕴含的动态本质特性。

技术实现要素：

本发明的目的是针对现有技术的不足，提供一种基于步态非线性特征的心电rr间隔预测关联方法。

本发明解决其技术问题所采用的的技术方案如下：

步骤1.人体运动时候三维步态数据及对应心电信号的获取；通过三维实时运动捕捉系统采集身体部位的三维步态数据，并同步采集对应的心电图(ecg)活动，建立不同运动模式的样本库；

步骤2.步态数据的预处理及特征提取；将步态数据以每十个步态周期进行分段处理，然后分别采用定量分析及非线性动力学分析的方法，提取多种步态特征；

步骤3.对心电信号(ecg信号)进行预处理，提取出与每个步态子集对应的ecg信号的rr间隔特征；

步骤4.对人体步态特征进行融合，构建步态融合特征与rr间期特征的关联回归模型；

步骤5.训练和测试关联预测模型，分别测试单个特征及特征融合后的预测结果。

步骤1具体实现如下：

使用速度范围在8～20km/h的cybex770t跑步机进行走和跑实验来采集五种运动场景的数据；其中，头部、下背部和脚的线性加速度和角速度数据是使用惯性测量单元采集；通过codamotion红外三维实时运动捕捉系统进行跟踪，使用步态分析软件设置100hz的采样频率下的身体运动位置；通过放置在实验室工作空间中的4个codacx1单元检测以覆盖运行范围；被测者身上放置24个标记物，其中4个标记物位于头部：前额头、左、右、后额叶；4个位于上肢：左肩峰、右肩峰、第七颈椎、第五骨盆后缘；在左、右腿外侧胫骨水平安装2个4标记簇；另外8个位于脚上：左、右跟肘水平，左、右后跟低水平，左肘和右肘，第五个左趾、右趾；通过采集行走和跑不同运动模式下身体部位24个标记物的三维步态数据，同时记录肌电图(emg)与心电图(ecg)活动，采集10条腿部肌肉的表面肌电信号和1条通道心电图，并与100hz的身体部位运动学坐标数据同步。

步骤2具体实现如下；

2.1提取步态周期；

将步骤1所得的三维步态数据去噪，选用人体下肢部位的标记点采集的三维步态数据，寻找所有波峰，将每相邻两个波峰为一个步态周期；

2.2将步态数据以每十个步态周期为一个子集划分为多段；

2.3分别采用定量分析、非线性动力学分析方法提取提取多种步态特征,具体如下：

(1)采用定量分析的方法计算步态的时空和角度特征参数，包括步态周期、步长、步幅、步高、步宽、步速、步速加速度和足偏角，并将每一段取其均值；

步速sv公式如下所示：

sv＝s/gc＝s/(n/fs)

其中，n为一个步态周期所包含的采样点数，fs为采集运动学数据设置的采样频率，即fs＝100hz；s为距离长度，gc为步态周期；

步速加速度sacc计算公式如下：

sacc＝sv/gc＝s/gc²

足偏角为脚跟和脚趾的连线与前进方向所成的夹角；提取左右脚趾足偏角在每一个步态周期内的最大值记为maxfa，最小值记minfa，然后每一段取其均值；

(2)采用非线性动力学分析的方法提取每十个步态周期的模糊熵、近似熵、样本熵、lz复杂度、c0复杂度特征。

步骤3具体实现如下；

3-1.通过级联的低通和高通滤波器组成的带通滤波器对ecg信号进行进行处理；带通滤波器中二阶的低通滤波器的差分方程为：

y(nt)＝2y(nt-t)-y(nt-2t)+x(nt)-2x(nt-6t)+x(nt-12t)

其中，t为采样周期，x(nt)表示离散时间系统心电信号时间序列的输入，y(nt)为低通滤波后的心电信号，低通滤波器的截止频率设为12hz，增益为2，处理延迟约为6个采样周期；

高通滤波器的截止频率约为5hz，增益为32，16个采样周期的延迟；其差分方程如下：

y(mt)＝32x(mt-16t)-[y(mt-t)+x(mt)-x(mt-32t)]

3-2.经过带通滤波器处理后的ecg信号，使用导数滤波器提供qrs复斜率信息；导数滤波器的差分方程如下：

y(mt)＝(1/8t)[-x(mt-2t)-2x(mt-t)+2x(mt+t)+x(mt+2t)]

3-3.将导数滤波器提供的qrs复斜率信息放到非线性平方函数中，信号逐点平方，强调高频的导数输出进行非线性放大；

y(mt)＝[x(mt)]²

3-4.通过导入移动窗口积分器获取波形特征信息；导入移动窗口积分器的差分方程函数为：

其中，n为移动窗包含的样本数量；心电信号的采样频率为1000hz,取样本的数量约为150，对应窗口的宽度周期为0.15秒；

3-5.训练上述积分处理后的ecg信号得到初始阀值，不断调整阀值，从而区分出r波或qrs波群的位置，提取出心电信息的rr间隔特征；

设经过积分处理后的ecg信号为y(n),经过下述公式对ecg信号进行训练，得到初始阀值，即：

其中，以2s作为初始化阀值的训练期，则n＝2fs，fs为ecg信号的采样频率，thrsig信号幅值初始阀值，thrnoise为干扰初始阀值。为了使得初始阈值更具合理性，取信号x(n)的前20s的样本数据，并分为10组进行初始化阈值操作，根据上述公式计算出10个阈值，再去除10组中的最大值和最小值，以免造成可能出现的尖峰噪声干扰等情况导致阈值过大或过小引起的误差。最后再对剩下的8个值求平均值得到thrsig和thrnoise分别作为信号幅值初始阈值和干扰初始阈值。设检测到的信号峰值为peak，若peak＞thrsig，则该峰值所对应的位置作为预选的qrs波，并得到一个估计信号电平值levsig。

更新的估计信号电平levsig和估计干扰电levnoise，对阀值进行调整，公式如下：

thrsig＝α·levsig+β·levnoise

其中，α、β为阀值调整贡献的加权因子，通过多次实验，取α＝0.25，β＝0.75。在qrs波群中检测到r波，并计算当前相邻两个r波峰峰值的时间为rr间隔，取平均值。

步骤4所述的构建人体步态特征与rr间期特征的关联回归模型，具体实现如下：

将步骤2获取的步态特征进行拼接，拼接融合后形成13维的步态特征向量，将子集的步态特征向量作为输入样本集，相对应的心电信息的rr间期特征作为期望输出样本集，建立两者的关联预测模型，具体如：

基于核的超限学习机，首先向超限学习机中引入了一个正则项系数γ，γ＞0，则

核超限学习机中的核矩阵ωelm表示为:ωelm＝hh^t，即：

ωelmi,j＝h(xi)h(xj)＝k(xi,xj)

则输出函数f(x)可以表示为：

建立核超限学习机模型，则隐含层的特征映射h(x)不需要被知晓，取而代之的是通过计算其相应的核k(u,v)；且核超限学习机中的核函数采用的是径向基高斯核；

将步态特征向量进行归一化处理；归一化至[-1,1]，其归一化函数表达式为：

其中，i＝1,2,…,n,n表示样本数量，j＝1,2,…,p,p表示步态特征个数。

步骤5具体实现如下：

训练样本集和测试样本集占比为4:1，分别将训练样本集的步态特征向量和心电信息的rr间期特征输入两者的kelm网络模型中进行训练，并确定核超限学习机神经网络模型所需的参数，然后将剩下的特征作为测试集进行关联预测分析；

通过采用均方根误差来评价预测模型的准确性和有效性，其rmse越小，预测结果越好；表达式如下：

其中，n表示预测数据的数目，yi是实际预测数据值，ti代表期望输出。

本发明有益效果如下：

1、本发明通过三维运动跟踪系统同步采集步态和ecg信号，提出一种基于步态非线性特征的心电rr间隔预测关联方法，通过智能算法进行两者的预测关联分析，使其更易实现、预测更加准确。通过实验结果发现非线性动力学方法提取的模糊熵特征对rr间隔的预测具有较好的效果，将新提取的特征与传统特征进行融合，预测的效果更好。

2、与传统的步态特征提取方法相比，本发明方法针对不同运动模式下的三维动作数据进行非线性动力学分析，更易发现不同运动模式的步态在非线性动力学上差异，以及相同运动模式间的相似性，更加生动的刻画出不同运动模式的步态蕴含的动态本质特性。

3、本发明将机器学习算法应用于人体步态预测心电rr间隔，建立人体不同运动模式的核超限学习机预测模型，发现核超限学习机(kelm)算法相比于传统的神经网络在其准确率、快速性及泛化性能等优势更加突出，预测的效果较好。

附图说明

图1为本发明实施例的人体步态预测心电信息的整体流程图；

图2为本发明实施例的心电信号预处理流程图；

图3为本发明实施例的非线性动力学特征分布图；

图4为本发明实施例的五种运动模式的模糊熵特征箱线图；

图5为本发明实施例的非线性动力学每种特征和融合后的特征预测结果统计图；

图6为五种运动模式特征融合后的预测结果。

具体实施方式

为了使本发明的技术方案更加清晰，下面结合附图和实施例，对本发明作进一步的详细说明。

针对上述背景和存在的问题，本发明通过在实验室内使用一台速度范围在8～20km/h的cybex770t跑步机上进行走和跑相关实验，对五种运动场景的数据进行采集，如图4所示。其中，头部、下背部(即第四脊椎到第五脊椎的位置)和脚的线性加速度和角速度数据是使用惯性测量单元(imus)采集的。包括三轴加速度计、陀螺仪和磁力仪，并采用定制的胶带固定，通过wifi与计算机连接。然后通过codamotion红外三维实时运动捕捉系统进行跟踪，使用步态分析软件设置100hz的采样频率下的身体运动位置。通过放置在实验室工作空间中的4个codacx1单元检测以覆盖运行范围。我们在被测者身上放置24个marker标记，其中4个标记物位于头部(前额头、左、右、后额叶)，4例位于上肢(左、右肩峰，第七颈椎，第五骨盆后缘)，在左、右腿外侧胫骨水平安装2个4标记簇，另外8例位于脚上(左、右跟肘水平，左、右后跟低水平，左肘和右肘，第五左、右趾)。采集了行走和跑不同运动模式下身体部位24个标记物的三维动作数据，用于刻画人体步态的信号。trigno^tm无线系统记录肌电图(emg)与心电图(ecg)活动，采集10条腿部肌肉的表面肌电信号和1条通道心电图，并与100hz的身体部位运动学坐标数据同步。

本发明利用步态信号进行心电rr间隔预测以及两者的关联性分析，通过提出了一种基于步态非线性特征的心电rr间隔预测关联方法，对所采集的数据进行分析处理，提取多种步态特征。并将特征进行融合，通过建立融合后的步态特征与心电rr间隔的关联预测分析模型，我们通过该方法所得的预测效果较好。克服了传统分析方法不能刻画步态蕴含的动态本质特性的缺点，而且具有很好的预测效果。在人体运动时预防心律失常及患者进行运动康复治疗等方面具有很好的监护作用，可在一定程度上提醒高危人群及其危险程度。

如图1和图2所示，为本发明实施例的人体步态预测心电rr间隔的整体流程图，包括如下步骤：

步骤1.人体运动的三维动作数据及对应心电信号的获取；通过三维实时运动捕捉系统采集身体部位的三维坐标，并同步采集对应的心电图(ecg)活动，建立不同运动模式的样本库。

通过在实验室内使用一台速度范围在8～20km/h的cybex770t跑步机上进行走和跑相关实验，五种运动场景的数据进行采集。通过codamotion红外三维实时运动捕捉系统进行跟踪，使用步态分析软件设置100hz的采样频率下捕捉身体位置的运动三维坐标数据以及trigno^tm无线系统记录肌电图(eeg)与心电图(ecg)活动，采集10条腿部肌肉的表面肌电信号和1条通道心电图，并与100hz的身体部位运动学坐标数据同步。其中，心电信号的采样频率为1000hz。

其中，17名健康志愿者志愿者参与数据记录，所有参与者都没有被诊断出任何疾病，并为正常体型(170±7.6cm，64±11.5kg)，而且都爱好运动。他们的身体质量指数(22.3±2kg/m²)符合“正常”范围内的“体重指数(bmi)分类”和全球体重指数数据库(who,2006)。所有受试者都采用同样的设备，相同的标记集和同等的实验条件。实验场景设置包括：(1)舒适行走：参与者提高跑步机速度，直到达到舒适行走速度记为v1，并以这个速度步行2min；(2)步行：参与者增加或降低跑步机速度，直到4km/h，并以这个速度行走2min，记该速度为v2；(3)最大速度行走:参与者提高速度，直到它的最大步行速度，记为v3,并以这个速度行走1min，然后参与者休息；(4)休息后，参与者将跑步机的速度提高到v3，步行30s，然后以同样的速度跑1min；(5)跑步：参与者提高了速度，直到他跑步的极限，运行速度记为v4。数据记录持续两分钟。

步骤2.步态数据的预处理及特征提取；将步态数据以每十个步态周期进行分段处理，然后分别采用定量分析及非线性动力学分析的方法，提取步态的多种特征，如图3所示；

2.1提取步态周期；

通过步骤1所得去除噪声的三维动作数据，选用人体下肢部位的标记点进行分析。寻找所有波峰，将每相邻两个波峰为一个步态周期。

2.2将数据以每十个步态周期为一个子集划分为多段；

2.3分别采用定量分析、非线性动力学分析的方法提取步态的多特征参数。具体如下：

(2)采用定量分析的方法计算步态的时空和角度特征参数，包括步态周期、步长、步幅、步高、步宽、步速、步速加速度和足偏角，并将每一段取其均值。

步态周期(gc)指同一只脚(从右脚到右脚，或从左脚到左脚)从最初的脚对地的接触到下一次的脚对地接触的两个连续瞬间之间的时间间隔。步长(sl)定义为左右脚跟连续接触地面之间的纵向线性距离；步幅(stl)指一次步态周期的左步长与右步长之和；步高(sh)是步态期间的脚跟抬起的最大高度；步宽(wb)指人行走时两脚跟之间的横向直线距离；步速(sv)指人体步行的平均速度；根据步幅(stl)与步态周期(gc)计算得到，步速公式如下所示：

sv＝s/gc＝s/(n/fs)

其中，n为一个步态周期所包含的采样点数，fs为采集运动学数据设置的采样频率，即fs＝100hz。s为距离长度，gc为步态周期。

步加速度(sacc)是单位时间内脚跟前进速度的平均变化量，它用来描述人体行走速度变化快慢的物理量，计算公式如下：

acc＝sv/gc＝s/gc²

足偏角(fa)为脚跟和脚趾的连线与前进方向所成的夹角。本发明分别提取左右脚趾足偏角在每一个步态周期内的最大值记为maxfa，最小值记minfa，然后每一段取其均值。

(3)采用非线性动力学分析的方法提取每十个步态周期的模糊熵、近似熵、样本熵、lz复杂度、c0复杂度特征；具体包括以下：

模糊熵(fuzzyen)衡量的是新模式产生的概率大小，测度值越大，新模式产生的概率越大，即序列复杂度越高，表示时间序列更具有随机性。具体算法描述如下：

a.对于给定的n维时间序列[u(1),u(2),…,u(n)]；

b.定义相空间维数m(m≤n-2)和相似容度r，重构相空间：

x(i)＝[u(i),u(i+1),…,u(i+m-1)]-u0(i),i＝1,2,…,n-m+1

其中，参数n＝1,2,3,4…,n，

c.引入模糊隶属函数：

其中，m＝2，r＝0.2*sd(sd为原始序列的标准差)。对于i＝1,2，…，n-m+1,计算：

其中，为窗口向量x(i)和x(j)之间的最大绝对距离。

d.针对每个i，求其平均值，得到:

则原步态时间序列的模糊熵(fuzzyen)为：

其中，

e.原时间序列的模糊熵(fuzzyen)为：

fuzzyen(m,r)＝lim[lnφ^m(r)-lnφ^m+1(r)]

针对有限数据集，模糊熵估计为：

fuzzyen(m,r,n)＝lnφ^m(r)-lnφ^m+1(r)

近似熵(apen)是一种用于量化时间序列波动的规律性和不可预测性的非线性动力学参数，反映了时间序列中新信息发生的可能性，熵值越大越复杂。具体算法描述如下：

a.对于给定的的n维时间序列[u(1),u(2),…,u(n)]；

b.定义算法相关参数m＝2,r＝0.2*sd；

c.重构m维向量x(1),x(2),…,x(n-m+1)，其中

x(i)＝[u(i),u(i+1),…,u(i+m-1)]

d.对于1≤i≤n-m+1,统计满足以下条件的向量个数

其中，u(a)为向量x的元素，d为向量x(i)与x(j)的距离，由对应元素的最大差值决定，j的取值范围为[1,n-m+1]，包括j＝i。

e.定义

f.则近似熵(apen)定义为

apen＝φ^m(r)-φ^m+1(r)

样本熵(sampen)是基于近似熵(apen)的一种用于度量时间序列复杂性的改进方法，是一种新的时间序列复杂性测度方法。样本熵的具体算法如下：

前面部分同样本熵一致；

c.对于1≤i≤n-m+1,统计满足以下条件的向量个数

其中，i≠j,d[x,x^*]定义为：

d.求对所有值的平均值，记b^m(r)为，即

e.令k＝m+1，重复步骤c，得

其中，

f.则样本熵(sampen)定义：sampen＝-ln[a^k(r)/b^m(r)]

lempel-ziv复杂度(lz)反映了一个时间序列随其长度的增长出现新模式的速度。复杂度值越大，说明数据在窗口长度时期内随时间出现的新变化越多，发生新变化的速率越快，表明这一时期的数据变化是无序而复杂的；反之，复杂度越小，则说明发生新变化的速率越慢，数据变化是规则的，周期性越强。具体算法如下：

a.采用二值化方法对序列x＝{x1,x2,…,xn}进行粗粒化处理，形成“0-1”序列p＝{s1,s2,…,sn}.

b.对上面所得到的“0-1”序列，依次检索其中的新字符串。新字符串需满足唯一性和连续性，并且用一个“·”将前后分开，其中新字符串的检索过程详细如下：

用s表示序列p的部分字符串，即s＝{s1,s2,…,sr}(r≤n)；用q表示s的子串，即q＝|q1,q2,…,qm|；用sq表示s、q的串联组合，即sq＝{s、q}用sqπ表示删去sq的最后一个字符所得的字符串；用v(sqπ)表示sqπ中所得的子串集合；用d(n)表示不同子串的数目。对于给定序列，p＝{s1,s2,…,sn},开始时，取s＝s1,q＝s2,sqπ＝s1,d(n)＝1。一般情况下，令s＝{s1,s2,…,sr}(r＝2,3,…,n-1)；那么sqπ＝{s1,s2,…,sr}(r＝2,3,…,n-1),q＝sr+1,判断q是否为s的一个子串，如果q属于v(sqπ)，则q是sqπ的一个子串而非新子串，s保持不变，令q＝sr+1sr+2,只到q不属于v(sqπ)为止，即有q＝{sr+1,sr+2,…,sr+i}不属于sqπ＝{s1,s2,…,sr+i-1}，此时d(n)加1，一次重复上述过程直到最后一个字符。计算得到一个用“·”分成段的字符串的数目，定义复杂度d(n)。

c.对复杂度进行归一化；为了获得不依赖于序列长度的复杂度，需要将d(n)归一化。发现所有的符号序列复杂度d(n)都趋于一个确定的值，即：

其中n为序列长度，a为字符串中不同字符的个数(“0-1”序列a＝2)，将b(n)对d(n)进行归一化，得出归一化的lz复杂度如下所示：

c0复杂度算法思想主要是将要分析的步态时间参数序列进行分解，分为随机序列的部分以及规则序列部分，对序列的复杂度预测就被定义为做随机运动部分的步态时间参数序列长度和全部原始步态时间参数序列长度分别与时间轴之间围成的面积之比。该方法具体如下：

a.对于给定的一个长度为n的步态时间参数序列{x(t),t＝0,1,2,…,n-1}进行离散傅里叶变换：

式中i为虚数单位，

b.求出f(k)的均方值：

c.定义一个大于1的正常数δ，对f(k)序列中超过均方值δ倍的频谱予以保留，反之则将其置零处理，得到转换后的序列：

d.对上式进行傅里叶逆变换可得：

其中根据c0复杂度算法定义，便可得到c0复杂度计算值：

步骤3.ecg信号的预处理，提取出与每个步态子集对应的ecg信号的rr间隔，具体步骤如下：

3-1.了抑制基线漂移和t波造成干扰，通过级联的低通和高通滤波器组成的带通滤波器对ecg信号进行进行处理；带通滤波器中二阶的低通滤波器的差分方程为：

y(nt)＝2y(nt-t)-y(nt-2t)+x(nt)-2x(nt-6t)+x(nt-12t)

其中，t为采样周期，x(nt)表示离散时间系统心电信号时间序列的输入，y(nt)为低通滤波后的心电信号，低通滤波器的截止频率设为12hz，增益为2，处理延迟约为6个采样周期。高通滤波器的截止频率约为5hz，增益为32，16个采样周期的延迟。其差分方程如下：

y(mt)＝32x(mt-16t)-[y(mt-t)+x(mt)-x(mt-32t)]

3-2.经过带通滤波器处理后的ecg信号，使用导数滤波器提供qrs复斜率信息；导数滤波器的差分方程如下：

y(mt)＝(1/8t)[-x(mt-2t)-2x(mt-t)+2x(mt+t)+x(mt+2t)]

3-3.将导数滤波器提供的qrs复斜率信息放到非线性平方函数中，信号逐点平方，强调高频(即主要是ecg频率)的导数输出进行非线性放大；

y(mt)＝[x(mt)]²

3-4.通过导入移动窗口积分器获取波形特征信息；导入移动窗口积分器的差分方程函数为：

其中，n为移动窗包含的样本数量。心电信号的采样频率为1000hz,取样本的数量约为150，对应窗口的宽度周期为0.15秒。

3-5.训练上述积分处理后的ecg信号得到初始阀值，不断调整阀值，从而区分出r波或qrs波群的位置，提取出心电信息的rr间隔特征；

设经过积分处理后的ecg信号为y(n),经过下述公式对ecg信号进行训练，得到初始阀值，即：

其中，以2s作为初始化阀值的训练期，则n＝2fs，fs为ecg信号的采样频率，thrsig信号幅值初始阀值，thrnoise为干扰初始阀值。为了使得初始阈值更具合理性，取信号x(n)的前20s的样本数据，并分为10组进行初始化阈值操作，根据上述公式计算出10个阈值，再去除10组中的最大值和最小值，以免造成可能出现的尖峰噪声干扰等情况导致阈值过大或过小引起的误差。最后再对剩下的8个值求平均值得到thrsig和thrnoise分别作为信号幅值初始阈值和干扰初始阈值。设检测到的信号峰值为peak，若peak＞thrsig，则该峰值所对应的位置作为预选的qrs波，并得到一个估计信号电平值levsig。

更新的估计信号电平levsig和估计干扰电levnoise，对阀值进行调整，公式如下：

thrsig＝α·levsig+β·levnoise

其中，α、β为阀值调整贡献的加权因子，通过多次实验，取α＝0.25，β＝0.75。在qrs波群中检测到r波，并计算当前相邻两个r波峰峰值的时间为rr间隔，取平均值。

步骤4.构建人体步态特征与rr间期特征的关联回归模型；

通过步骤2获取的步态特征进行拼接，拼接融合后形成13维的特征向量，将子集的特征向量作为输入样本集，相对应的心电信息的rr间期特征作为期望输出样本集。建立两者的关联预测模型。

基于核的超限学习机，首先向超限学习机中引入了一个正则项系数γ(γ＞0)，

核超限学习机中的核矩阵ωelm表示为:ωelm＝hh^t，即

则输出函数f(x)可以表示为：

建立核超限学习机模型，则隐含层的特征映射h(x)不需要被知晓，取而代之的是通过计算其相应的核k(u,v)。核超限学习机中的核函数有多种，如多项式核函数、线性核函数、小波核函数、径向基高斯核等；本发明采用的是径向基高斯核(rbfkernel)。

为了避免训练过程中由于属性值小而造成的贡献过小影响实验结果，将步骤3所得的步态特征参数进行归一化处理；归一化至[-1,1]，其归一化函数表达式为：

其中，i＝1,2,…,n,n表示样本数量，j＝1,2,…,p,p表示步态特征个数。

步骤5.训练和测试关联预测模型，分别测试单个特征及特征融合后的预测结果；

训练样本集和测试样本集占比为4:1，分别将训练样本集的步态特征和心电rr间期特征向量输入两者的kelm网络模型中进行训练，并确定核超限学习机神经网络模型所需的参数，然后将剩下的特征作为测试集进行关联预测分析。

通过采用均方根误差(rmse)来评价预测模型的准确性和有效性，其rmse越小，预测结果越好；表达式如下：

其中，n表示预测数据的数目，yi是实际预测数据值，ti代表期望输出。

如图5所示，为单个特征在kelm模型测试的结果，由图可知，除了定量分析的步态周期和步速加速度具有较好的效果，其非线性动力学中的模糊熵特征也具有较好的预测效果，其特征融合后的预测效果相比单个特征的预测效果更好，体现了更好的预测优势。

如图6所示，为五种运动模式特征融合后的预测结果，由图可知3-快速行走、5-最大速度跑预测效果更好，表现为速度越快，预测效果越好，其预测的结果越准确。