凍結(jié)步態(tài)(Freezing of gait,FOG)是中晚期帕金森病(Parkinson’s disease,PD)患者最常見的步態(tài)障礙,極易導(dǎo)致患者跌倒并對其身心健康及生活質(zhì)量產(chǎn)生嚴(yán)重的影響。帶有節(jié)律性聽覺刺激的可穿戴系統(tǒng)可作為干預(yù)FOG的輔助工具,減少發(fā)病患者的跌倒風(fēng)險。凍結(jié)步態(tài)檢測作為該系統(tǒng)的基礎(chǔ),還可為病情評估提供相關(guān)癥狀信息,具有重要的研究意義和應(yīng)用價值。本文設(shè)計了相關(guān)實驗流程,采集了12名PD患者的凍結(jié)步態(tài)信號,其中運動傳感器被部署在患者腰部、左右大腿等9個位置。實驗總共記錄了2小時31分鐘的數(shù)據(jù),10名患者在試驗期間表現(xiàn)出FOG,專業(yè)醫(yī)師從視頻記錄中共識別出276個FOG事件。在此基礎(chǔ)上,本文圍繞凍結(jié)步態(tài)檢測過程中的劃分時間窗、特征提取與選擇、分類等問題展開了系統(tǒng)的研究。本文對傳感器各軸信號提取了13個典型時頻域特征。針對高維特征空間引起的分類精度下降和計算開銷大等問題,選取互信息和方差分析這兩種特征選擇方法對特征重要性進行了評價并比較了兩種方法的有效性。本文評估了單一傳感器和多傳感器組合的檢測效果,并使用方差分析為幾種傳感器配置選擇了最佳特征。在綜合考慮檢測性能、成本及實際部署要求等因素后,選擇左小腿加速度計和陀螺儀的組合作為最佳傳感器配置并為其選取了35個最佳特征。本文將隨機森林、AdaBoost、線性判別分析、多層感知神經(jīng)網(wǎng)絡(luò)應(yīng)用于凍結(jié)步態(tài)分類算法設(shè)計中,研究了正負(fù)樣本比例和時間窗大小對分類器性能的影響,逐步優(yōu)化了檢測模型的性能。最終結(jié)果表明,當(dāng)以1.25s時間窗、0.15s步長進行滑窗采樣,提取左小腿加速度計和陀螺儀各軸的35個特征作為特征向量并使用由正負(fù)樣本比例為1的樣本集訓(xùn)練得到的AdaBoost模型進行分類時,可獲得87.3%靈敏度,91.2%特異性,89.5%AUC的最佳檢測效果。
【學(xué)位單位】：華中科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP212;R742.5
【部分圖文】：

圖 2-4 試驗場地示意圖數(shù)據(jù)預(yù)處理在采集到步態(tài)信號后，我們需要對數(shù)據(jù)進行預(yù)處理。數(shù)據(jù)預(yù)處理包括三個部數(shù)據(jù)轉(zhuǎn)換，數(shù)據(jù)標(biāo)注和數(shù)據(jù)清洗，如圖 2-5 所示。數(shù)據(jù)轉(zhuǎn)換主要是對上位機的數(shù)據(jù)進行解碼和循環(huán)冗余校驗（CyclicRedundancyCheck，CRC），解碼過

圖 2-4 試驗場地示意圖2.3 數(shù)據(jù)預(yù)處理在采集到步態(tài)信號后，我們需要對數(shù)據(jù)進行預(yù)處理。數(shù)據(jù)預(yù)處理包括三個分，數(shù)據(jù)轉(zhuǎn)換，數(shù)據(jù)標(biāo)注和數(shù)據(jù)清洗，如圖 2-5 所示。數(shù)據(jù)轉(zhuǎn)換主要是對上位采集的數(shù)據(jù)進行解碼和循環(huán)冗余校驗（CyclicRedundancyCheck，CRC），解碼

圖 2-6 FOG 事件持續(xù)時間直方圖本集獲取對步態(tài)數(shù)據(jù)進行預(yù)處理后，需要使用劃分時間窗策略分割傳感器數(shù)據(jù)流窗口。具體而言，當(dāng)采樣頻率為 f 赫茲，窗口長度為m 秒，步長為t秒時傳感器信號在一段時間內(nèi)采集到的l個點使用劃分時間窗策略后，可得 m) / t 1個連續(xù)的數(shù)據(jù)窗，該過程示意圖如圖 2-7 所示。對于每個窗口對結(jié)果，由于患者發(fā)生 FOG 的觀察時間點比實際時間點有所滯后，本文窗口中最后時刻的采樣點對應(yīng)的標(biāo)簽結(jié)果為該窗口的標(biāo)簽（標(biāo)簽為 0 代對應(yīng)的狀態(tài)為正常狀態(tài)，標(biāo)簽為 1 代表此窗口對應(yīng)的狀態(tài)為凍結(jié)狀態(tài)礎(chǔ)上，對各窗口數(shù)據(jù)提取特征即可得到特征集合，也就是原始樣本集始樣本集中正常步態(tài)樣本和凍結(jié)步態(tài)樣本比例差異較大，若用保持原始
【相似文獻】

相關(guān)期刊論文 前10條

1 王鶴;石玉;;基于步態(tài)識別的人物鑒定系統(tǒng)在犯罪搜查中的應(yīng)用[J];中國安防;2018年10期

2 陸欣嬈;;步態(tài)識別特征工程算法研究[J];現(xiàn)代商貿(mào)工業(yè);2019年10期

3 金堃;陳少昌;;步態(tài)識別現(xiàn)狀與發(fā)展[J];計算機科學(xué);2019年S1期

4 晨月;鐘鑫;;世界首個基于步態(tài)識別的嫌疑人鑒定系統(tǒng)[J];中國安防;2018年04期

5 何逸煒;張軍平;;步態(tài)識別的深度學(xué)習(xí):綜述[J];模式識別與人工智能;2018年05期

6 李玲玲;;人臉識別和步態(tài)識別技術(shù)融合的必要性[J];電腦知識與技術(shù);2018年28期

7 ;中科院“步態(tài)識別”技術(shù) 不看臉50m內(nèi)完成識別[J];智能建筑與智慧城市;2017年10期

8 雷玉堂;;步態(tài)識別技術(shù)的工作原理及發(fā)展趨勢[J];中國公共安全;2015年Z2期

9 ;“步態(tài)識別”技術(shù):50米內(nèi)人群中認(rèn)出你[J];東西南北;2017年21期

10 張艷靜;;“刷臉”正盛,步態(tài)識別又來了[J];農(nóng)村青少年科學(xué)探究;2018年06期

相關(guān)博士學(xué)位論文 前10條

1 陳欣;多步態(tài)識別與合成[D];暨南大學(xué);2018年

2 李超;基于卷積神經(jīng)網(wǎng)絡(luò)的人體行為分析與步態(tài)識別研究[D];浙江大學(xué);2019年

3 李雙群;漸進式行人重識別關(guān)鍵技術(shù)研究[D];北京郵電大學(xué);2019年

4 李偉;基于單角色視頻的人物運動分析[D];山東大學(xué);2018年

5 蘇菡;基于步態(tài)分析的身份識別研究[D];哈爾濱工程大學(xué);2006年

6 趙國英;基于視頻的步態(tài)識別[D];中國科學(xué)院研究生院（計算技術(shù)研究所）;2005年

7 田光見;步態(tài)特征提取與識別技術(shù)研究[D];西北工業(yè)大學(xué);2006年

8 柴艷妹;基于步態(tài)特征的身份識別技術(shù)研究[D];西北工業(yè)大學(xué);2007年

9 顧磊;基于圖像序列的人體步態(tài)識別方法研究[D];南京理工大學(xué);2008年

10 張元元;基于序列統(tǒng)計特性的步態(tài)識別算法研究[D];山東大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 馮雨欣;基于深度學(xué)習(xí)的步態(tài)識別方法研究[D];南昌大學(xué);2019年

2 呂欽;基于深度學(xué)習(xí)的手語識別及步態(tài)預(yù)測[D];安徽工業(yè)大學(xué);2019年

3 胡慧蓮;基于足底壓力與姿態(tài)信號的步態(tài)識別系統(tǒng)設(shè)計[D];哈爾濱工業(yè)大學(xué);2019年

4 朱正模;基于智能鞋墊的足底類型識別設(shè)計[D];成都理工大學(xué);2019年

5 賀剛;人體下肢運動捕捉及步態(tài)識別技術(shù)研究[D];廣東工業(yè)大學(xué);2019年

6 劉洪;基于AHRS的室內(nèi)定位方法的研究[D];西安電子科技大學(xué);2019年

7 趙盼盼;單視角和多視角的步態(tài)識別算法研究[D];西安電子科技大學(xué);2019年

8 韓璐瑤;基于事件驅(qū)動的步態(tài)識別方法設(shè)計[D];大連理工大學(xué);2019年

9 鄭慧平;基于步態(tài)特征的身份識別技術(shù)研究[D];山東科技大學(xué);2018年

10 施翼;基于運動感知的帕金森患者凍結(jié)步態(tài)檢測方法研究[D];華中科技大學(xué);2019年

本文編號：2847605