隨著我國(guó)人民生活水平的提高,人均壽命的增加,老齡化人口也越來(lái)越多,老齡化趨勢(shì)也越來(lái)越重,老年人的健康問(wèn)題日益成為當(dāng)下關(guān)注的熱點(diǎn)。相當(dāng)數(shù)量的一部分老年人,伴隨著身體機(jī)能的下降,會(huì)出現(xiàn)早期的運(yùn)動(dòng)功能障礙方面的癥狀,如阿爾茨海默病、帕金森綜合癥以及偏癱等疾病。這些導(dǎo)致運(yùn)動(dòng)障礙的疾病在行走過(guò)程中具體表現(xiàn)出步態(tài)方面的異常。因此,通過(guò)對(duì)異常步態(tài)的識(shí)別,可以實(shí)現(xiàn)對(duì)受試者健康狀況的監(jiān)測(cè)和提醒。此外,跌倒行為,在造成65歲以上的老年人傷害死亡的原因中位居首位,很大比例也是由步態(tài)異常引起的。故可以通過(guò)對(duì)異常步態(tài)的識(shí)別從而及時(shí)采取預(yù)防措施,指導(dǎo)老年人的步行活動(dòng)以及注意事項(xiàng)來(lái)避免跌倒行為等意外情況的發(fā)生。綜上所述,通過(guò)對(duì)老年人異常步態(tài)的識(shí)別從而實(shí)現(xiàn)對(duì)其更好的監(jiān)護(hù)和健康管理等具有重大意義。本文具體的研究?jī)?nèi)容包括以下幾個(gè)方面:(1)研究步態(tài)參數(shù)的計(jì)算表示方法,基于下肢運(yùn)動(dòng)捕捉設(shè)備設(shè)計(jì)步態(tài)數(shù)據(jù)的采集實(shí)驗(yàn),完成數(shù)據(jù)采集工作。(2)步態(tài)數(shù)據(jù)的預(yù)處理和特征降維。數(shù)據(jù)預(yù)處理方面,本文對(duì)采集到的數(shù)據(jù)的給出了缺失值、異常值以及數(shù)據(jù)標(biāo)準(zhǔn)化等處理方法,并對(duì)不同類別的步態(tài)進(jìn)行了統(tǒng)計(jì)學(xué)上的樣本檢驗(yàn),發(fā)現(xiàn)不同類別樣本數(shù)據(jù)分布的差異性;在特征降維方面,分別從特征選擇和特征提取方面進(jìn)行。在特征選擇方面,結(jié)合相關(guān)矩陣法和隨機(jī)森林森林法,取其步態(tài)特征向量的交集,從而進(jìn)行特征的選擇;特征提取則是采用主成分分析法,在保留絕大數(shù)信息的情況下,并進(jìn)行降維。達(dá)到了去除步態(tài)特征中的冗余信息,并提高分類器速度目的。(3)針對(duì)單一的分類器分能性能不足的問(wèn)題,本文采用Stacking集成學(xué)習(xí)的方法將各個(gè)分類器進(jìn)行融合。由于集成方法有不同的類型,本文首先從理論上分析了各種不同集成方法的特點(diǎn)。為力求融合后的集成模型識(shí)別率更高,本文對(duì)各個(gè)基分類器進(jìn)行訓(xùn)練的時(shí)候反復(fù)調(diào)參,并給出具體探索過(guò)程和實(shí)現(xiàn)效果,最后將融合后基于Stacking方法的集成模型與集成前各個(gè)單一的基分類器進(jìn)行對(duì)比,發(fā)現(xiàn)效果有顯著提升。然后又將不同的集成方法所得到的模型進(jìn)行綜合比較,發(fā)現(xiàn)Stacking集成學(xué)習(xí)效果更好,對(duì)步態(tài)識(shí)別的準(zhǔn)確率更高。(4)在采集到的數(shù)據(jù)中,由于偏癱步態(tài)、帕金森步態(tài)和單側(cè)髖關(guān)節(jié)發(fā)育不良三種異常步態(tài)數(shù)據(jù)較多,在之前就步態(tài)是否異常進(jìn)行識(shí)別的基礎(chǔ)上,本文通過(guò)設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)用于這三種類型的異常步態(tài)模式進(jìn)行了進(jìn)一步的分類、識(shí)別,可以更好的完成相關(guān)工作。
【學(xué)位單位】：廣東工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：R496;TP391.41
【部分圖文】：

關(guān)節(jié)僵硬、髖關(guān)節(jié)內(nèi)收等行為活動(dòng)受限也時(shí)有發(fā)生。.2 穿戴式 RealGait 運(yùn)動(dòng)捕捉與步態(tài)分析系統(tǒng).2.1RealGait 運(yùn)動(dòng)捕捉系統(tǒng)功能及特點(diǎn)RealGait 運(yùn)動(dòng)捕捉與步態(tài)分析系統(tǒng)由中美合資的江蘇德長(zhǎng)醫(yī)療有限公司開(kāi)發(fā)，過(guò)采集和分析傳感器動(dòng)作捕捉系統(tǒng)傳來(lái)的反應(yīng)肢體運(yùn)動(dòng)特征的檢測(cè)數(shù)據(jù)以及通過(guò)布式壓力測(cè)量系統(tǒng)采集到的足底壓力數(shù)據(jù)。提供受試者精確的三維關(guān)節(jié)活動(dòng)測(cè)量據(jù)和精確的動(dòng)力學(xué)、運(yùn)動(dòng)學(xué)整合數(shù)據(jù)，并且能夠迅速地將技術(shù)性數(shù)據(jù)編譯成簡(jiǎn)單、讀的步態(tài)和運(yùn)動(dòng)分析表。該系統(tǒng)集測(cè)量、評(píng)估和數(shù)據(jù)庫(kù)管理于一身，并可打印生報(bào)告。如圖 2-1 所示，用于對(duì)步態(tài)周期進(jìn)行客觀的定性或定量分析以獲取有關(guān)步的資料進(jìn)行步態(tài)分析。通過(guò)步態(tài)分析和檢查，也有助于下神經(jīng)肌肉、關(guān)節(jié)疾患的斷、以及觀察醫(yī)療康復(fù)措施的效果。

圖 2-2 實(shí)時(shí)分析工作界面Fig.2-2 Real-time analysis of the work interfaceealGait 運(yùn)動(dòng)捕捉硬件系統(tǒng)壓力傳感器而研發(fā)的分布式硬件測(cè)量系統(tǒng),主要由 7 個(gè)尺寸大小為 3cm頻率為 100hz 的傳感器、一塊尺寸為 6cm 8cm 的藍(lán)牙適配器入如下圖 1.5m 左右的可移動(dòng)的滾輪式臺(tái)車一輛組成，如下圖 2-4 所示。其中，ST為其壓力傳感器單元采集模塊的控制核心。在受試者運(yùn)動(dòng)過(guò)程中，傳與傳感器之間的壓力信號(hào)，轉(zhuǎn)化為電信號(hào)，并依靠藍(lán)牙將步態(tài)運(yùn)動(dòng)分之間進(jìn)行連接，依靠先進(jìn)的藍(lán)牙無(wú)線技術(shù)，實(shí)現(xiàn)傳感器與電腦之間大。

三維步態(tài)運(yùn)動(dòng)捕捉系統(tǒng)
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 殷赫;;步態(tài)識(shí)別：人工智能“慧眼”[J];上海信息化;2019年11期

2 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

3 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

4 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

5 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

6 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

7 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

8 ;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

9 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

10 ;“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

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 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

2 吳佳;基于深度學(xué)習(xí)的衣服不變性步態(tài)識(shí)別研究[D];華中科技大學(xué);2019年

3 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

4 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

5 吳平平;基于股直肌表面肌電和加速度信息融合的步態(tài)識(shí)別方法[D];合肥工業(yè)大學(xué);2019年

6 張學(xué)志;基于智能手機(jī)的人體異常步態(tài)識(shí)別研究[D];電子科技大學(xué);2019年

7 劉珊;基于步態(tài)識(shí)別的攜帶物改變檢測(cè)研究[D];河南大學(xué);2019年

8 施沫寒;面向可解釋步態(tài)識(shí)別的時(shí)間序列分類算法研究[D];北京交通大學(xué);2019年

9 王彥蘊(yùn);基于深度學(xué)習(xí)的跨視角步態(tài)識(shí)別研究[D];華北電力大學(xué)(北京);2019年

10 閆李倩;基于卷積神經(jīng)網(wǎng)絡(luò)步態(tài)識(shí)別方法的研究[D];西安科技大學(xué);2019年

本文編號(hào)：2867607