者所对应的非线性步态系统动力学知识嵌入到动态估计器中， 把待检测帕金森症患者的步态特征数据与这组动态估计器做差，形成一组分类误差，根据 最小误差原则将待检测帕金森症患者的异常步态检测出来，实现对帕金森症的辅助检测。
2. 根据权利要求1所述的辅助筛查帕金森症的异常步态识别方法，其特征在于，在步 骤1和4中，采用步态分析数据库PhysioNet，通过放置在试验者鞋底的压力传感器来采集 人体左右脚各8个对称位置的足底压力特征数据，选取其中差异最为明显的两组左右脚对 称位置的足底压力特征数据，构成一组足底压力特征变量。
3. 根据权利要求1所述的辅助筛查帕金森症的异常步态识别方法，其特征在于：步骤2 中，未知非线性步态系统动态建模如下： .V = /；，(.V； p) + V'(.V； /;) 其中，X = [X1，…，Xn]Te Rn是步骤1提取到的足底压力特征变量，P是系统常参数值， η为足底压力特征变量的维数； F(x;p)=[〖々…，···，匕^卩斤是光滑且未知的非线性动态变量^表了健康正常 人和帕金森症患者的步态系统动态，V(x ;P) = [V1U ;P),…，Vn(x $)]7是建模不确定项，将 二者合并为^^;妁:=^(.\〃)+41/;)，并定义为一般非线性步态系统动态； ⑵设计神经网络辨识器用于辨识：机^·;/)) = !^#;/)),…，^^-;/))]'': 采用动态RBF神经网络构造神经网络辨识器，动态RBF神经网络辨识器形式如下： x = + ，其中X = P1，…,文"]是选取的足底压力特征变量；A = (Iiaglia1,… ，an]是对角矩阵，％是设计的常数，满足0 < IaiI < 1，⑴= …龙'(..说 是动态RBF神经网络，用来逼近未知的一般非线性步态系统动态; S(X)= [S1 (IIX- ξ i II，···，sN( IIX- ξn II ]τ是高斯型径向基函数，N> 1是神经网络结点数目，ξ馮 神经元中心点，RBF神经网络权值吃的调节律如下： Wi = -Γ,5(λ-)χ -σ.Γ^ , ? = 1,···,η, 其中，i表示η维足底压力特征变量中第i维变量，无 x,是状态误差，ri= Γ iT > 〇, σ i> 〇是调节律的调节参数，动态RBF神经网络的权值木的初始值A(O) = O ; 步骤3中建立常值神经网络R7S(X)的具体做法： 根据确定学习理论，沿步态系统特征轨迹的RBF神经网络的神经元满足持续激励条 件，其权值收敛到最优值，取权值收敛后一段时间内权值的均值作为学习训练结果，并利用 这些结果建立常值神经网络RWr)，所学到的步态系统动力学知识以常值神经网络权值 的形式存储，构成一个训练步态模式库；所述常值神经网络权值炉由如下式 子表征：$ ="^/7, P ，其中，[ta，tb]代表常值神经网络权值在完成向其最优值收敛的 过渡过程之后的一个时间段，这样使得仍(x;P)可由常值神经网络进行局部准确逼 近： 奶(X: /))=沙/ 5⑴+心，其中，ε i2是逼近误差； 步骤5中分类检测，具体如下： 根据训练步态模式库中健康正常人和帕金森症患者的常值神经网络权值，构造一 组动态估计器，表述如下： f=-Mf-xJ + W^Ts^)， ? = 1,…,n，左=1,..·，Μ， 其中，x i为动态估计器的状态，b i为动态估计器参数，χ ti为测试集中待检测帕金森症 患者的步态特征数据，k表示M个训练模式中的第k个训练模式，M为训练步态模式库中的 模式总量； 将测试集中待检测帕金森症患者的步态特征数据Xti与这组动态估计器做差，得到如 下的分类检测误差系统： Jik=-^Z1 +W1kxSi(Xtl)-^(x;p) , z' = l,···,?, 其中，无/-?是状态估计误差，计算歹/的平均1^范数如下： Z,k(t) τ Χ·{τ)?τ , t>Tc, 1 TcJt-Tc 其中，T。表示步态周期； 分类检测策略如下：如果存在一个有限时间ts，s e {1，…，k}和某一 i e {1，…，η}， 使得龙/(，)| <龙/(〇|对所有t > ts成立，则出现的待检测帕金森症患者的异常步态模式被 分类检测出来。
4.根据权利要求3所述的辅助筛查帕金森症的异常步态识别方法，其特征在于：所述 的RBF神经网络权值的调节律是根据李雅普洛夫稳定性定理和确定学习理论来设计，使状 态误差与权值估计都有界，并且指数收敛，其中，RBF神经网络的权值收敛有两种情况： 第一种情况：沿步态特征回归轨迹的RBF神经网络的神经元满足持续激励条件，其权 值收敛到最优值的小邻域内； 第二种情况：远离步态特征回归轨迹的RBF神经网络的神经元不受激励而不被调节， 其权值近似为零。
5.根据权利要求3所述的辅助筛查帕金森症的异常步态识别方法，其特征在于：对一 般非线性步态系统动态局部准确建模可由如下公式表示： = IV/ S(x)+ ει? - 其中，ε η是逼近误差；这里的局部准确建模是指通过RBF神经网络对沿步态特征数据 的内在系统动态轨迹的逼近，而远离轨迹的内部动态则不被逼近。
【专利摘要】本发明公开了一种辅助筛查帕金森症的异常步态识别方法，基于提取的步态足底压力特征，对健康正常人和帕金森症患者的步态系统动态进行神经网络建模、辨识；建立常值神经网络；利用常值神经网络构建动态估计器，基于健康正常人和帕金森症患者的步态模式之间在步态系统动力学上的差异，根据最小误差原则区分帕金森症所引起的异常步态和一般健康人群的正常步态，实现对帕金森症的辅助筛查检测，本发明通过安装压力感应地板系统或穿戴带压力传感器鞋垫的特制鞋子，获取足底压力特征，可以方便简单、非侵入地区分帕金森症所引起的异常步态和一般健康人群的正常步态，实现家庭成员的日常步态监控和帕金森症的辅助筛查检测。
【IPC分类】G06K9-00, G06K9-66
【公开号】CN104834888
【申请号】CN201410733476
【发明人】曾玮, 王颖
【申请人】龙岩学院
【公开日】2015年8月12日
【申请日】2014年12月4日