本发明涉及机器学习
技术领域：
，特别涉及是一种冻结步态在线检测方法。
背景技术：
：帕金森病(parkinson’sdiease,以下简称pd)是一种常见的神经系统变性疾病,其主要临床特征包括运动迟缓和减少、肢体强直以及抖动,可能还有一些姿势和步态的异常。该病多发于老年人群,平均发病年龄大约为60岁，且近年来该病的发病年龄有下降趋势。步态冻结(freezingofgait，以下简称fog)是晚期帕金森病患者最常见的症状，其主要表现为运动的短暂性阻滞，fog的突然发作会造成患者行走障碍甚至跌倒，降低其生活质量。因此，在pd病人行走过程中对其步态进行实时检测，当检测到fog时给予病人一定的干预引导措施显得尤为重要。相关技术中，关于冻结步态的检测方法主要有两种：1、检测该步态数据序列在正常运动频带和fog频带的能量比，根据手动设置的冻结阈值来判断步态正常与否；2、检测病人走路过程中的步态与正常步态的皮尔森相关系数，通过其相关性来判断步态正常与否。发明人在实现本发明的过程中发现:上述两种检测方法均需要手动预先设定阈值，精确度不高；并且上述两种方法中，当特征空间具有高维度时，手动设置冻结阈值会变得非常繁琐。技术实现要素：本发明旨在解决现有关于冻结步态的检测方法不够准确的技术问题，为解决该技术问题，本发明实施方式采用的一个技术方案是：提供一种冻结步态在线检测方法，包括：获取患者离线步行过程中的离线步态数据和离线步态视频，所述离线步态数据包括大腿加速度、大腿角速度、小腿加速度、小腿角速度以及足底压力；根据所述离线步态数据和所述离线步态视频，建立离线样本集；基于所述离线样本集分别构建离线正常步态和离线冻结步态的朴素贝叶斯分类器；获取在线步行过程中的在线步态数据；通过所述离线正常步态和离线冻结步态的朴素贝叶斯分类器以及所述在线步态数据，分别得到在线步行过程中，在线正常步态和在线冻结步态的概率；比较所述在线正常步态和所述在线冻结步态的概率，得到检测结果。可选地，所述根据所述离线步态数据和所述离线步态视频，建立离线样本集具体包括：以预设的时间长度和固定的时间间隔分割所述离线步态数据和离线步态视频，获得若干个窗口数据和窗口视频；根据所述窗口数据对应的所述窗口视频，标记所述窗口数据的步态类型，所述步态类型为冻结步态或者正常步态；从所述窗口数据中提取对应的特征向量；根据所述窗口数据的步态类型和所述特征向量，建立离线样本集。可选地，所述大腿加速度包括：大腿x轴加速度，大腿y轴加速度以及大腿z轴加速度；所述大腿角速度包括：大腿x轴角速度，大腿y轴角速度以及大腿z轴角速度；所述小腿加速度：小腿x轴加速度，小腿y轴加速度以及小腿z轴加速度；所述小腿角速度包括：小腿x轴角速度，小腿y轴角速度以及小腿z轴角速度；所述足底压力包括均匀分布于脚掌的第一节点压力、第二节点压力和第三节点压力。可选地，所述从所述窗口数据中提取对应的特征向量，具体包括：通过如下算式，计算获得第一特征向量；其中，fi为第一特征向量；w(t,f)是对所述大腿加速度、所述小腿加速度或所述足底压力w(t)进行短时傅里叶变换(stft)后的频域信号；通过如下算式，计算频域信号在[3hz,8hz]频带的能量e作为第二特征向量：以所述大腿角速度或所述小腿角速度作为第三特征向量；通过如下算式，计算大腿或小腿分别偏离垂直方向的夹角θ作为第四特征向量其中，a为大腿加速度或小腿加速度，g为重力加速度。可选地，所述基于所述离线样本集分别构建离线正常步态和离线冻结步态的朴素贝叶斯分类器，具体包括：统计每个所述窗口数据的所有特征向量的平均值和标准差；计算在所述离线样本集中，所述正常步态和所述冻结步态的先验概率；根据所述正常步态的先验概率以及标记为正常步态的窗口数据的所有特征向量的平均值和标准值，构建正常步态的朴素贝叶斯分类器；根据所述冻结步态的先验概率以及标记为冻结步态的窗口数据的所有特征向量的平均值和标准值，构建冻结步态的朴素贝叶斯分类器。可选地，所述朴素贝叶斯分类器通过如下算式表示：其中，p(xi|c)为第i个特征向量属于冻结步态或正常步态的条件概率，p(c)为所述正常步态或所述冻结步态的先验概率。可选地，p(xi|c)通过如下算式计算：其中，xi为第i个特征向量，μc,i为所述平均值，σc,i为所述标准值。可选地，所述获取在线步行过程中的在线步态数据，具体包括：以所述预设时间长度和固定的时间间隔，采集检测窗口的在线步态数据。可选地，通过所述朴素贝叶斯分类器和所述在线步态数据，分别得到在线步行过程中，在线正常步态和在线冻结步态的概率，具体包括：计算所述检测窗口对应的特征向量；根据所述特征向量，通过所述正常步态的朴素贝叶斯分类器，计算检测窗口为在线正常步态的概率；根据所述特征向量，通过所述冻结步态的朴素贝叶斯分类器，计算检测窗口为在线冻结步态的概率。可选地，所述比较所述在线正常步态和所述在线冻结步态的概率，得到检测结果，具体包括：判断在线正常步态的概率是否大于在线正常步态的概率；若是，则确定检测结果为正常步态；若否，则确定检测结果为冻结步态。本发明实施例提供的冻结步态在线检测方法，其通过离线过程中构建的朴素贝叶斯分类器，可以实时快速、准确地检测出冻结步态,该检测结果，一方面可以作为后续对患者实施引导措施实施的一个基础，及时帮助发病患者恢复步行及正常活动；另一方面，该检测结果还可提供患者冻结步态相关症状信息，对冻结步态的研究与治疗有着重要的指导作用。附图说明图1是本发明实施例提供的一种冻结步态在线检测方法的流程示意图；图2是本发明实施例提供的两个六轴惯性传感器和三个薄膜压力传感器的固定位置；图3是图1中步骤12的流程示意图；图4是本发明另一实施例提供的冻结步态在线检测的过程示意图。具体实施方式为了使本发明的目的、方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。为了本领域技术人员更好的理解下述发明实施例提供的冻结步态在线检测方法,以下首先对朴素贝叶斯分类器的构建原理进行简单介绍。朴素贝叶斯分类器是分类算法集合中基于贝叶斯理论的一种算法。它不是单一存在的，而是一个算法家族，在这个算法家族中它们都有共同的规则。例如，该算法家族中的其中一个共同规则为，每个被分类的特征向量与其他的特征向量都是相互独立的；例如，该算法家族中的另一个共同规则为，每个特征都有相同的权重；这样任何特征与结果都是有关系的，并且影响程度是相同的。根据该算法规则，选取合适的特征向量，建立离线样本集即可以构建贝叶斯分类器。由于本发明实施例主要针对冻结步态的检测，因此，在患者步行过程中的选取合适类型的特征向量以及根据该特征向量构建建立离线样本显得尤为重要，是能否准确检测出冻结步态的重要依据。由此，本发明实施例提供一种冻结步态在线检测方法，其首先在离线状态下，采集患者在步行过程中的不同分类的步态数据，并基于该不同分类的数据提取相对应类型的特征向量(该提取的特征向量相互之间独立)，然后根据该特征向量对应的特征建立离线样本集，最后可以构建能够准确检测出冻结步态的朴素贝叶斯分类器。当患者在实时行走时，采集到患者实时行走过程中的步态数据，即可在线准确判断患者行走过程中的冻结步态的概率，该判断结果一方面可以为患者冻结步态提供相应的症状信息，另一方面可以作为后续的引导措施实时的基础，对冻结步态的研究与治疗有着重要的指导作用。下面对本发明实施例进行详细介绍，请参阅图1，图1是本发明实施例提供的一种冻结步态在线检测方法的流程示意图，如图1所示，该方法包括：步骤11、获取患者离线步行过程中的离线步态数据和离线步态视频，所述离线步态数据包括大腿加速度、大腿角速度、小腿加速度、小腿角速度以及足底压力。该“离线步态数据”为冻结步态发生时，能够体现患者行走特征的数据，在本发明实施例中，该离线步态数据分为15类，分别为患者步行过程中：1、膝部在x轴、y轴和z轴的加速度和角速度；2、脚踝处在x轴、y轴和z轴的加速度和角速度；3、足底3个节点的压力。上述离线步态数据可以采用相应的传感器采集得到，传感器将上述采集得到的步态数据进一步传输至处理器，处理器即可以根据该离线步态数据，执行本发明的方法步骤。其中，为了采集患者膝部和脚踝处在x轴、y轴和z轴的加速度和角速度可以按照图2所示的方式，将两个六轴惯性传感器固定于患者右腿的膝部和脚踝处；为了采集患者步态行走过程中，足底的3个节点的压力，可以按照图2所示的方式，将三个薄膜压力传感器固定于患者的右足底。将患者离线行走过程中的，六轴惯性传感器和薄膜压力传感器采集到的实验数据作为本发明实施例中的离线步态数据。其中，传感器的数量和放置位置不同，则采集得到的离线步态数据也不同，在其他实施例中，也可以根据患者的大小腿或者左右腿的严重程度等进行传感器数量和位置的合理调整，以对离线步态数据进行更准确的采集。由于该离线步态数据主要用于构建朴素贝叶斯分类器，因此，在采集患者离线步态数据的同时，还需要通过相关的视频设备录制患者在离线行走过程中的离线步态视频，从该离线步态视频中，可以直观观察患者的步态是否为冻结步态，作为后续构建朴素贝叶斯分类器的一个重要参数。步骤12、根据所述离线步态数据和所述离线步态视频，建立离线样本集。在得到上述离线步态数据和离线步态视频之后，可以进一步对该离线步态数据和离线步态视频分别进行分割和特征向量的提取，以建立离线样本集，此处的离线样本集是构建朴素贝叶斯分类器所需要的基础参数。具体地，如图3所示，步骤12包括：步骤121、以预设的时间长度和固定的时间间隔分割所述离线步态数据和离线步态视频，获得若干个窗口数据和窗口视频。其中，该若干个窗口数据和窗口视频一一对应，并且每个窗口数据中提取的特征向量均为一特征值，作为建立离线样本集的一部分；而每一个窗口视频中均可以直观判断其所对应的步态类型是正常步态还是冻结步态。步骤122、根据所述窗口数据对应的所述窗口视频，标记所述窗口数据的步态类型，所述步态类型为冻结步态或者正常步态。本步骤即是对每一窗口视频所对应的步态类型进行判断并记录的过程。步骤123、从所述窗口数据中提取对应的特征向量。此步骤是从上述窗口数据中，提取了四个对正常步态和冻结步态最具有辨别性的又相互独立的特征向量，其计算方式分别如下：通过如下算式，计算获得第一特征向量；其中，fi为第一特征向量；w(t,f)是对所述大腿加速度、所述小腿加速度或所述足底压力w(t)进行短时傅里叶变换(stft)后的频域信号；通过如下算式，计算频域信号在[3hz,8hz]频带的能量e作为第二特征向量：以所述大腿角速度或所述小腿角速度作为第三特征向量；通过如下算式，计算大腿或小腿分别偏离垂直方向的夹角θ作为第四特征向量其中，a为大腿加速度或小腿加速度，g为重力加速度。步骤124、根据所述窗口数据的步态类型和所述特征向量，建立离线样本集。该离线样本集包括正常步态的离线样本集和冻结步态的离线样本集。该样本集中均包含所有的特征向量，在本实施例中，将第i个特征向量记为xi，该i个特征向量相互独立，共同组成正常步态或者冻结步态的离线样本集，在本实施例中，计算可得其正常步态或者冻结步态的离线样本集中，均有22个特征向量。步骤13、基于所述离线样本集分别构建离线正常步态和离线冻结步态的朴素贝叶斯分类器。所述朴素贝叶斯分类器通过如下算式表示：其中，p(xi|c)为第i个特征向量属于冻结步态或正常步态的条件概率，p(c)为所述正常步态或所述冻结步态的先验概率。具体地，p(xi|c)通过如下算式计算：因此，构建朴素贝叶斯分类器，需要计算正常步态窗口数据或冻结步态窗口数据在第i个特征值xi上取值的平均值μc,i和标准差σc,i。其中，平均值μc,i如下公式所示：式中，∑vc,i表示正常步态窗口数据或异常步态窗口数据在第i个特征值上取值的总和，nc,i表示正常步态窗口数据或异常步态窗口数据的个数。其中，标准差σc,i如下公式所示：在本实施例中，第i个特征向量属于冻结步态或正常步态的先验概率通过窗口视频可以计算得到，其计算公式如下：式中，d表示离线样本集中窗口视频的总数，dc表示离线样本集中正常步态或异常步态窗口视频的数量。在通过上述步骤得到正常步态和冻结步态的平均值μc,i、标准差σc,i和先验概率之后，即可以分别构建正常步态和冻结步态的朴素贝叶斯分类器；在构建好朴素贝叶斯分类器后即可以将该正常步态的朴素贝叶斯分类器和冻结步态的朴素贝叶斯分类器应用于下述在线检测阶段中。步骤14、获取在线步行过程中的在线步态数据。即以预设时间长度和固定的时间间隔，采集检测窗口的在线步态数据。步骤15、通过所述离线正常步态和离线冻结步态的朴素贝叶斯分类器以及所述在线步态数据，分别得到在线步行过程中，在线正常步态和在线冻结步态的概率。步骤16、比较所述在线正常步态和所述在线冻结步态的概率，得到检测结果。基于步骤13构建的朴素贝叶斯分类器，计算该时刻窗口数据不是冻结步态的概率为是冻结步态的概率为当p1>p2时，检测结果为冻结步态，当p1<p2时，检测结果为正常步态。本发明实施例提供的冻结步态在线检测方法，通过离线过程中构建的朴素贝叶斯分类器，可以实时、快速、准确地检测出帕金森病人的冻结步态,该检测结果，一方面可以作为后续对患者实施引导措施实施的一个基础，及时帮助发病患者恢复步行及正常活动；另一方面，该检测结果还可提供患者冻结步态相关症状信息，对冻结步态的研究与治疗有着重要的指导作用。下面以一个具体的实施例详细介绍冻结步态在线检测的过程，如图4所示该过程具体包括：离线学习，建立离线样本集和在线检测得到检测结果。1、离线学习，建立离线样本集包括如下过程：1.1、将2个六轴传感器和3个加速度传感器按照图2所示的方式，固定于患者右腿的膝部、脚踝处和足底。采集患者日常行走过程中膝部和脚踝处的加速度、角速度数据及足底压力数据作为离线步态数据，同时记录该过程视频作为离线步态视频，其中，传感器的采样频率均为100hz，传感器测得的15种类型的离线步态数据如表1所示。表1传感器数据类型右大腿x轴加速度n1右大腿y轴加速度n2右大腿z轴加速度n3右小腿x轴加速度n4右小腿y轴加速度n5右小腿z轴加速度n6右大腿x轴角速度n7右大腿y轴角速度n8右大腿z轴角速度n9右小腿x轴角速度n10右小腿y轴角速度n11右小腿z轴角速度n12右脚掌节点1压力n13右脚掌节点2压力n14右脚掌节点3压力n151.2、以100ms的时间间隔，256ms宽的滑动时间窗分割步骤1.1中的离线步态数据，得到39606个窗口数据和39606个窗口视频。然后，对照相应的离线步态视频，标记上述各窗口数据对应的步态类型(正常步态标记为c1，冻结步态标记为c2)，最终得到正常步态对应的窗口视频为25536个，冻结步态对应的窗口视频14070个。1.3、提取得到步态相关的特征向量为：fi指数、冻结频带的能量、大小腿角速度、大小腿偏离竖直方向的夹角，其计算方式参照上述实施例，在此不再赘述，计算该离线样本集包含的所有特征向量的数量为22个，将第i个特征向量记为xi，该i个特征向量相互独立，共同组成离线样本集，如表2所示。表21.4、计算相关参数，构建朴素贝叶斯分类器。该过程要计算朴素贝叶斯分类器的两个参数。参数一：正常步态窗口数据和冻结步态窗口数据在第i个特征值xi上取值的平均值μc,i和标准差σc,i，μc,i的计算方式如下公式所示：σc,i的计算方式如下公式所示：式中，∑vc,i表示正常步态窗口数据或冻结步态窗口数据在第i个特征值上取值的总和，nc,i表示正常步态窗口视频或异常步态窗口视频的个数量。参数二：正常步态和冻结步态的先验概率p(c)。如下公式所示：式中，d表示离线样本集的窗口总数，dc表示离线样本集中正常步态或冻结步态窗口视频的数量。上述实施例中已经得出正常步态对应窗口视频为25536个，冻结步态对应的窗口视频为14070个，则正常步态的先验概率为：冻结步态的先验概率为：1.5、构建朴素贝叶斯分类器其中p(xi|c)为第i个特征量的类条件概率，如下公式所示：根据参数一与参数二即可以构建朴素贝叶斯分类器的计算公式。2、在线检测得到检测结果包括如下过程：2.1、实时采集窗口数据，以100ms的时间间隔，256ms宽的滑动时间窗采集窗口数据。2.2、对该窗口数据计算表2中各特征向量，将第i个特征向量的值记为xi。2.3、计算该窗口数据在第c类样本(正常步态c1，冻结步态c2)在第i个特征值上的类条件概率p(xi|c)。2.4、基于步骤1.5构建的朴素贝叶斯分类器，计算该时刻窗口数据不是冻结步态的概率为是冻结步态的概率为当p1>p2时，检测结果为冻结步态，当p1<p2时，检测结果为正常步态。以上所述仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的
技术领域：
，均同理包括在本发明的专利保护范围内。当前第1页12