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(jiàn)的步態(tài)障礙,極易導(dǎo)致患者跌倒并對(duì)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(tīng)覺(jué)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(xiǎn)。凍結(jié)步態(tài)檢測(cè)作為該系統(tǒng)的基礎(chǔ),還可為病情評(píng)估提供相關(guān)癥狀信息,具有重要的研究意義和應(yīng)用價(jià)值。本文設(shè)計(jì)了相關(guān)實(shí)驗(yàn)流程,采集了12名PD患者的凍結(jié)步態(tài)信號(hào),其中運(yùn)動(dòng)傳感器被部署在患者腰部、左右大腿等9個(gè)位置。實(shí)驗(yàn)總共記錄了2小時(shí)31分鐘的數(shù)據(jù),10名患者在試驗(yàn)期間表現(xiàn)出FOG,專業(yè)醫(yī)師從視頻記錄中共識(shí)別出276個(gè)FOG事件。在此基礎(chǔ)上,本文圍繞凍結(jié)步態(tài)檢測(cè)過(guò)程中的劃分時(shí)間窗、特征提取與選擇、分類等問(wèn)題展開(kāi)了系統(tǒng)的研究。本文對(duì)傳感器各軸信號(hào)提取了13個(gè)典型時(shí)頻域特征。針對(duì)高維特征空間引起的分類精度下降和計(jì)算開(kāi)銷大等問(wèn)題,選取互信息和方差分析這兩種特征選擇方法對(duì)特征重要性進(jìn)行了評(píng)價(jià)并比較了兩種方法的有效性。本文評(píng)估了單一傳感器和多傳感器組合的檢測(cè)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(cè)性能、成本及實(shí)際部署要求等因素后,選擇左小腿加速度計(jì)和陀螺儀的組合作為最佳傳感器配置并為其選取了35個(gè)最佳特征。本文將隨機(jī)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(jì)中,研究了正負(fù)樣本比例和時(shí)間窗大小對(duì)分類器性能的影響,逐步優(yōu)化了檢測(cè)模型的性能。最終結(jié)果表明,當(dāng)以1.25s時(shí)間窗、0.15s步長(zhǎng)進(jìn)行滑窗采樣,提取左小腿加速度計(jì)和陀螺儀各軸的35個(gè)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(jìn)行分類時(shí),可獲得87.3%靈敏度,91.2%特異性,89.5%AUC的最佳檢測(cè)效果。
【學(xué)位單位】：華中科技大學(xué)
【學(xué)位級(jí)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(yàn)場(chǎng)地示意圖數(shù)據(jù)預(yù)處理在采集到步態(tài)信號(hào)后，我們需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。數(shù)據(jù)預(yù)處理包括三個(gè)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(duì)上位機(jī)的數(shù)據(jù)進(jìn)行解碼和循環(huán)冗余校驗(yàn)（CyclicRedundancyCheck，CRC），解碼過(guò)

圖 2-4 試驗(yàn)場(chǎng)地示意圖2.3 數(shù)據(jù)預(yù)處理在采集到步態(tài)信號(hào)后，我們需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。數(shù)據(jù)預(yù)處理包括三個(gè)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(duì)上位采集的數(shù)據(jù)進(jìn)行解碼和循環(huán)冗余校驗(yàn)（CyclicRedundancyCheck，CRC），解碼

圖 2-6 FOG 事件持續(xù)時(shí)間直方圖本集獲取對(duì)步態(tài)數(shù)據(jù)進(jìn)行預(yù)處理后，需要使用劃分時(shí)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(zhǎng)度為m 秒，步長(zhǎng)為t秒時(shí)傳感器信號(hào)在一段時(shí)間內(nèi)采集到的l個(gè)點(diǎn)使用劃分時(shí)間窗策略后，可得 m) / t 1個(gè)連續(xù)的數(shù)據(jù)窗，該過(guò)程示意圖如圖 2-7 所示。對(duì)于每個(gè)窗口對(duì)結(jié)果，由于患者發(fā)生 FOG 的觀察時(shí)間點(diǎn)比實(shí)際時(shí)間點(diǎn)有所滯后，本文窗口中最后時(shí)刻的采樣點(diǎn)對(duì)應(yīng)的標(biāo)簽結(jié)果為該窗口的標(biāo)簽（標(biāo)簽為 0 代對(duì)應(yīng)的狀態(tài)為正常狀態(tài)，標(biāo)簽為 1 代表此窗口對(duì)應(yīng)的狀態(tài)為凍結(jié)狀態(tài)礎(chǔ)上，對(duì)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(xiàn)】

相關(guān)期刊論文 前10條

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

2 陸欣嬈;;步態(tài)識(shí)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(shí)別現(xiàn)狀與發(fā)展[J];計(jì)算機(jī)科學(xué);2019年S1期

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

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

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

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

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

9 ;“步態(tài)識(shí)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(shí)別又來(lái)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(shí)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(shí)別研究[D];浙江大學(xué);2019年

3 李雙群;漸進(jìn)式行人重識(shí)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(yùn)動(dòng)分析[D];山東大學(xué);2018年

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

6 趙國(guó)英;基于視頻的步態(tài)識(shí)別[D];中國(guó)科學(xué)院研究生院（計(jì)算技術(shù)研究所）;2005年

7 田光見(jiàn);步態(tài)特征提取與識(shí)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(shí)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(shí)別方法研究[D];南京理工大學(xué);2008年

10 張?jiān)?基于序列統(tǒng)計(jì)特性的步態(tài)識(shí)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(shí)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(yǔ)識(shí)別及步態(tài)預(yù)測(cè)[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(hào)的步態(tài)識(shí)別系統(tǒng)設(shè)計(jì)[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(shí)別設(shè)計(jì)[D];成都理工大學(xué);2019年

5 賀剛;人體下肢運(yùn)動(dòng)捕捉及步態(tài)識(shí)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(shí)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(dòng)的步態(tài)識(shí)別方法設(shè)計(jì)[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(shí)別技術(shù)研究[D];山東科技大學(xué);2018年

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

本文編號(hào)：2847605