CN104598722B - 一种基于步态时空参数和三维力特征的帕金森患者行走能力评估方法 - Google Patents
一种基于步态时空参数和三维力特征的帕金森患者行走能力评估方法 Download PDFInfo
- Publication number
- CN104598722B CN104598722B CN201410833653.8A CN201410833653A CN104598722B CN 104598722 B CN104598722 B CN 104598722B CN 201410833653 A CN201410833653 A CN 201410833653A CN 104598722 B CN104598722 B CN 104598722B
- Authority
- CN
- China
- Prior art keywords
- gait
- dimensional force
- data
- time
- patient
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于步态时空参数和三维力特征的帕金森患者行走能力评估方法，包括：足底压力数据和三维力数据获取，数据处理与特征参数提取，行走能力评估。其中足底压力数据和三维力数据获取是指利用柔性阵列压力传感器和三维力测试平台构建的步态通道获取帕金森患者正常行走过程中的步态数据；数据处理与特征参数提取是指对患者的足底压力数据和三维力数据进行分析，提取步态时空参数和三维力特征参数；行走能力评估是指应用模糊算法对步态时空参数和三维力特征参数进行分类，实现患者的行走能力评估。本发明有效解决了当前临床中帕金森患者行走能力评估方法存在的不足；测试流程简单，操作难度低；利用多模态信息融合，步态信息较为全面。
Description
技术领域
本发明涉及传感器技术、生物医学工程、模式识别等领域，特别涉及一种基于步态时空参数和三维力特征的帕金森患者行走能力评估方法。
背景技术
帕金森病(Parkinson’s disease,PD)又称震颤麻痹综合征，是一种常见的神经科疾病，其中老年人群是帕金森疾病的主要罹患人群。目前，我国有超过100万的帕金森疾病患者。随着世界人口进入老龄化时代，帕金森疾病的形势越来越严峻。帕金森患者临床表现主要为震颤、步行障碍、肌强直和运动迟缓，其中，步行障碍及运动迟缓是帕金森患者比较明显的特征，占帕金森首发症状的30％。作为帕金森患者重要的临床病症，步行障碍及运动迟缓是评价帕金森患者病情的重要指标。研究表明：与正常人相比，帕金森患者表现出较小的步速、较短的步长和步态周期，正常行走过程中节奏丧失、变异性增大等特点。
现有的步态分析方法主要有：基于红外高速摄像机的运动分析系统、超声波步态分析系统和基于足底传感器的步态分析系统。这些方法都存在步态特征单一的缺点且参数计算精度较低，其中，基于红外高速摄像机的步态分析系统会存在光线遮挡导致参数提取不准确的情况，而超声波步态分析系统则普遍存在参数计算精度较低的缺点。目前，针对帕金森患者的临床步态评估主要采用目测法，该方法主要依靠医师的观察和经验，其缺点是在临床工作中常可见到不同医师对同一患者的步态障碍评估存在较大差异的现象。
发明内容
本发明的技术解决问题：克服现有技术的不足，提供一种系统的、科学的帕金森患者行走能力评估方法，解决目前临床上针对帕金森患者步态评估方法存在的不足，具有测试流程简单，易操作，基于多模态的信息融合，特征信息全面，评估方法可靠，结果准确等特点，可广泛应用于各大医疗机构中针对帕金森患者的行走能力评估。同时，该方法还具有较好的扩展性，针对其他类型患者的步态评估也具有一定的参考作用。
本发明技术解决方案：一种基于步态时空参数和三维力特征的帕金森患者行走能力评估方法，其特征在于：利用柔性阵列压力传感器和三维力测试平台构建的步态通道获取帕金森患者正常行走过程中的足底压力数据和三维力数据；然后分别对患者的足底压力数据和三维 力数据进行分析处理，提取步态时空参数和三维力特征参数；最后应用模糊算法对步态时空参数和三维力特征参数进行分类，从而实现患者的行走能力评估。该方法的具体流程为：足底压力数据、三维力数据获取，数据处理与特征参数提取，行走能力评估。
所述足底压力数据、三维力数据获取是指：利用自主研发的步态通道作为数据获取平台，实时采集和存储帕金森患者在正常行走过程中的足底压力数据和三维力数据；
所述足底压力数据处理是指：对获取的足底压力数据依次进行数据去噪、数据聚类分割和左右脚类型识别等处理，获取患者的单脚足底压力数据信息；
所述步态时空参数提取是指：对经过足底压力数据处理后的单脚足底压力数据信息提取步态特征，根据帕金森患者的步态特征，提取步态时空参数；
所述三维力数据特征提取是指：针对三维力中z轴的垂直剪切力曲线创建一个长度为100的时间窗口，通过将窗口每次向后移动一步并依次计算前后两个窗口中的曲线部分的皮尔森相关系数，以相关系数的平均数作为步态的三维力特征；
所述行走能力评估是指：应用模糊算法对步态时空参数和三维力特征参数进行分类，从而实现患者的行走能力评估；
所述的足底压力数据，是指患者正常行走过程中通过柔性阵列压力传感器实时获取的足底压力信息，其中每个柔性压力传感器获取的足底压力信息主要由压力时间、压力行值、压力列值和压力大小组成。
所述的步态通道是指由柔性阵列压力传感器单元模块和三维测力平台构成的倒U型通道。其中，柔性阵列压力传感器单元模块构成倒U型通道的第一个直道部分(GC1)和弯道部分(GC2)。直道部分(GC1)由5个柔性阵列压力传感器单元模块排列而成，每个柔性阵列压力传感器单元模块的规格为60cm*60cm，用来获取患者正常行走过程中的直行信息；弯道部分(GC2)是由4个柔性阵列压力传感器单元模块组成，弯道部分的第二个柔性阵列压力传感器单元模块较其他单元模块略长些，规格为60cm*72cm，以求更好的捕获患者转弯时的步态信息。三维测力平台构成倒U型通道的第二个直道部分，三维测力平台中测力台单元模块的排列方式与柔性阵列压力传感器单元模块构成的直道部分(GC1)相对称，规格同样同为60cm*60cm，用来获取患者行走过程中的三维力数据；
所述足底压力数据、三维力数据获取的步骤如下：
(1)让患者或者其监护人阅读测试知情同意书，详细了解测试内容、测试步骤和测试目的等相关说明并签字同意；
(2)对患者身高、体重等信息进行测量，并记录下患者详细的个人信息；
(3)在无人搀扶的情况下，让患者以正常速度通过步态通道，实时采集和存储该过程中 患者的足底压力数据和三维力数据。
所述足底压力数据处理的步骤如下：
(1)应用一种加入时间窗的时空自适应窗体中心加权的中值均值滤波算法对采集的每一帧足底压力数据进行去噪处理，滤除噪声的影响；
(2)对去噪后的足底压力数据应用基于连通域的图像聚类分割算法进行聚类分割，获取患者所有单脚的完整数据帧的足底压力数据，其中单脚的足底压力数据主要包括单脚的起止时间戳、矩形坐标范围等信息；
(3)分别对获取的每个单脚的足底压力数据提取其足印边界点数据进行拟合，根据左右脚边界曲线的特点，进行左右脚类型识别，确定单脚的足底压力数据的类别。
所述步态时空参数提取的步骤如下：
(1)根据患者左右脚的足底压力数据计算其步态时空参数。根据帕金森患者的步态特征，主要提取以下11个步态参数：步速、周期、步长、摆动时间、双支撑时间、步频、平衡系数、左脚着地时间、右脚着地时间、弯道步数和弯道行走时间；
(2)对提取的步态时空参数进行筛选。应用GA遗传算法筛选出最佳步态参数：步速、平衡系数、双支撑时间、步长、弯道步数和弯道行走时间。
所述行走能力评估的步骤如下：
(1)根据提取的步态时空参数以及三维力特征参数确定各个参数的模糊隶属度函数，采用三角形的模糊隶属度函数，各个参数的模糊隶属度函数的阈值由30名行走能力不同的患者步态数据确定；
(2)根据提取的步态时空参数、三维力特征参数及各个参数对应的模糊隶属度函数，制定模糊规则，并确定模糊水平的隶属度函数，建立一个多输入单输出的模糊分类器，根据模糊分类器输出的模糊度水平实现数据分类，最终实现患者的行走能力评估。
与目前现有的评估方法相比，本发明有益效果体现在：
(1)采用自主设计的步态通道数据采集平台，测试过程中仅需要患者沿该步态通道正常行走既可，测试流程简单，实施难度低；
(2)采用了数据去噪算法、聚类分割算法、脚型识别算法等数据处理方法，评估流程较为科学；
(3)提取的步态特征融合了足底压力数据和三维力数据，信息全面，可信度高；
(4)综合步态时空参数和三维力特征参数构建的模糊隶属度函数及模糊分类器对步态进行评估，评估结果准确；
(5)此外，本发明采用的方法流程具有普适性，扩展性好等特点，稍加修改即可应用于 其他类型患者的步态评估。
附图说明
图1为本发明中自主研发的步态通道结构示意图；
图2为帕金森患者在正常行走过程的三维力曲线示意图，其中虚线表示x轴的横向剪切力，点划线表示y轴的纵向剪切力，实线表示z轴的垂直剪切力；
图3为人在正常行走过程的步态周期示意图；
图4为正常步态下左右脚时间序列示意图；
图5为部分步态特征参数的模糊隶属度函数示意图，其中a为步速的模糊隶属度函数，b为双支撑时间的模糊隶属度函数，c为平衡系数的模糊隶属度函数，d为步长的模糊隶属度函数。
具体实施方式
下面结合附图及实施例对本发明作进一步的说明。
实施例1：本发明是以帕金森患者步态信息为出发点，以提取患者步态特征参数、评估患者正常行走能力为目的，提出了一种基于步态时空参数和三维力特征的帕金森患者行走能力评估方法，该方法的特征在于：利用柔性阵列压力传感器和三维力测试平台构建的步态通道获取帕金森患者正常行走过程中的足底压力数据和三维力数据；然后分别对患者的足底压力数据和三维力数据进行分析处理，提取步态时空参数和三维力特征参数；最后应用模糊算法对步态时空参数和三维力特征参数进行分类，从而实现患者的行走能力评估。该方法的具体流程为：足底压力数据、三维力数据获取，数据处理与特征参数提取，行走能力评估。
如图1所示，针对帕金森患者的步态特征，本发明设计了数据采集平台，即步态通道，该通道由柔性阵列压力传感器单元模块和三维测力平台构成的倒U型通道。其中，柔性阵列压力传感器单元模块构成倒U型通道的第一个直道部分(GC1)和弯道部分(GC2)。直道部分(GC1)由5个柔性阵列压力传感器单元模块排列而成，每个柔性阵列压力传感器单元模块的规格为60cm*60cm，用来获取患者正常行走过程中的直行信息；弯道部分(GC2)是由4个柔性阵列压力传感器单元模块组成，弯道部分的第二个柔性阵列压力传感器单元模块较其他单元模块略长些，规格为60cm*72cm，为的是更好的捕获患者转弯时的步态信息。三维测力平台构成倒U型通道的第二个直道部分，测力台单元模块的排列方式与柔性阵列压力传感器单元模块构成的直道部分(GC1)相对称，规格同样同为60cm*60cm，用来获取患者行走过程中的三维力数据。
如图2所示，为帕金森患者正常行走过程中的三维力数据。图中，虚线表示x轴的横向剪切力，点划线表示y轴的纵向剪切力，实线表示z轴的垂直剪切力。针对z轴的垂直剪切力曲线提取皮尔森相关系数作为帕金森患者的三维力特征参数。
图3和图4展示了人在正常行走过程中的左右脚周期特征。可以根据左右脚周期特征提取帕金森患者的步态特征参数，主要包括：周期、步长、步速、着地时间、摆动时间、双支撑时间等参数。
本发明中基于步态时空参数和三维力特征的帕金森患者行走能力评估方法的技术方案详细实施步骤如下：
(1)确保患者在无人搀扶时能够独立行走的情况下，让患者阅读知情同意书，了解测试相关内容，并签字同意，然后对患者的身高、体重等信息进行测量并详细记录其个人信息，之后让患者根据要求以其正常行走的方式通过步态通道，步态通道如图1所示，实时获取患者在行走过程中的足底压力数据和三维力数据；
(2)对采集到的患者足底压力数据应用一种加入时间窗的时空自适应窗体中心加权的中值均值滤波算法进行去噪处理，滤除噪声对足底压力数据的影响；
具体实现步骤为：
A.选取当前待处理压力点作为三维时空滤波窗体内的中心点元素。若该元素为数据帧上下左右4个边界上的元素，则进行镜像边界扩展，若该数据帧为起始帧或结束帧，则进行时间窗的镜像扩展；
B.依据当前测试系统的采样频率大小，确定滤波窗体的时间窗的大小。本发明中系统采样率为100Hz，取时间窗为21，二维平面的滤波窗口大小的初始值为3*3，对应的三维时空滤波窗体的大小为21*3*3；
C.计算当前滤波窗体内的中心加权的压力中值，窗体中心的权重的初始值为3；
D.统计三维时空滤波窗体内的压力分布数据元素的最大值、最小值、负数值，并用窗体内每个元素与最大值、最小值、负数值比较，如果元素等于最大值或等于最小值或大小为负(正常的压力分布数据不可能出现负值,负压力值肯定是噪声点)，则把该元素从窗体中去掉；
E.如果统计结束后窗体内无剩余有效的压力数据元素，则扩大三维时空窗体在二维平面空间中的大小，并增大窗体中心的复制次数权重，即如果初始滤波窗体为21*3*3，则新的三维时空滤波窗体扩展为21*5*5，返回步骤C，重新计算新滤波窗体的中心加权中值。注意，窗口只有一次自适应扩大的机会；
F.如果统计结束后滤波窗体内剩余有效的数据元素，则计算窗体的差值平方的均值。如果滤波窗体内仍然没有有效的数据元素，则设均值为0；
G..统计并记录阈值，并计算滤波窗体内合法压力数据点的权值；
H.计算当前压力点的滤波输出值；
I.重复上述整个流程，直至压力分布数据帧内所有数据元素处理完毕；
(3)对去噪后的足底压力数据应用基于连通域的图像聚类分割算法进行聚类分割，获取患者所有单脚的足底压力数据；
具体实现步骤为：
A.扫描各时间戳的足底压力数据，并填入到二值图像矩阵中，其中有效点记为1；
B.基于四邻域N4(p)的连通区域标记方法对二值图像进行标记处理，将各时间戳的足底压力数据分为不同的类别，并计算各个类别的几何中心。用Xcenter(t,k)，Ycenter(t,k)表示t时刻类别k的几何中心，如下式：
其中N和(xi，yi)分别为t时刻类别k中的有效点个数和第i个有效点位置；
C.根据各个类别的几何中心和设定的相关阈值参数，即脚长、脚宽等参数，对不同的类别进行聚类分析和迭代，进而得到单脚的足底压力数据；
(4)对获取的单脚压力足印数据序列分别提取其脚印轮廓的左右边界点信息，并进行曲线拟合，然后根据左右脚边界曲线的特点进行左右脚类型判别。
具体实现步骤为：
A.对获得的单脚的足底压力数据进行二值化处理，并将二值化后的足底压力数据映射到一个60*60的矩阵中，再将矩阵转化成二值图像；
B.对二值图像进行双线性内插值放大，将图像放大到600*600，并对放大后的图像进行中值滤波；
C.计算图像与水平方向的夹角，并将图像旋转至水平方向；
D.先后对图像进行膨胀、腐蚀等形态学处理，并对处理后的图像进行边缘平滑操作；
E.提取处理后的图像的边缘轮廓以及最小外接矩；
F.沿上述外接矩的长轴方向进行扫描，提取图像的宽度和上下边界点信息；
G.对图像宽度和上下边界点信息进行曲线拟合，此时可根据左右脚形状特点进行类型判别。
(5)根据患者左右脚足印数据序列以及步态周期的特征计算其步态时空参数。步态周期 特征如图3、4所示。根据帕金森患者的步态特征，主要提取以下11个参数：步速、周期、步长、摆动时间、双支撑时间、步频、平衡系数、左脚着地时间、右脚着地时间、弯道步数和弯道行走时间，其中弯道步数和弯道行走时间作为患者弯道部分的特征，各参数计算方法如式(1)到(7)所示：
T＝tstart,4-tstart,2 (1)
DST＝tstop,1-tstart,2 (2)
LST＝tstop,3-tstart,3 (3)
RST＝tstop,2-tstart,2 (4)
ST＝tstart,3-tstop,1 (6)
其中，式中T表示步态周期，tstart,4表示第4步起始时间，tstart,2表示第2步起始时间，DST表示双支撑时间，tstop,1表示第1步结束时间，LST表示左脚站立时间，tstop,3表示第3步结束时间，tstart,3表示第3步开始时间，RST表示右脚站立时间，tstop,2表示第2步结束时间，tstart,2表示第2步开始时间，V表示步速，SL表示步长，ST表示一个周期内的支撑时间，B表示平衡系数。
(6)参数筛选。对提取的步态时空参数应用GA遗传算法筛选出最佳参数：步速、平衡系数、双支撑时间、步长、弯道步数和弯道行走时间；
(7)三维力特征提取。针对三维力中z轴的垂直剪切力曲线，创建一个长度为100的时间窗口，通过将窗口每次向后移动一步并依次计算前后两个窗口中的曲线部分的皮尔森相关系数，以此作为步态的三维力特征；
(8)综合两类步态参数信息，确定各参数的模糊隶属度函数，如图5所示，其中a为步速的模糊隶属度函数，其中Slow表示慢步速函数曲线，Fast表示快步速函数曲线，sv(v)表示当前步速下的步态水平；b为双支撑时间的模糊隶属度函数，其中Short表示双支撑时间短的函数曲线，Long表示双支撑时间长的函数曲线，sDST(T)表示当前双支撑时间下的步态 水平；c为平衡系数的模糊隶属度函数，其中Good表示平衡能力好的函数曲线，Bad表示平衡能力差的函数曲线，sB(v)表示当前平衡系数下的步态水平；d为步长的模糊隶属度函数，其中Short表示短步长的函数曲线，Long表示长步长的函数曲线，sSL(l)表示当前步长下的步态水平。图中纵轴Degree均表示当前参数下的步态水平。根据两类步态参数信息制定模糊规则，确定模糊水平的隶属度函数，并由此建立一个多输入单输出的模糊分类器，输入提取的患者样本的参数可得出该样本的模糊水平，根据模糊分类器输出的模糊度水平实现数据分类，从而达到对患者行走能力的评估。
提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。
Claims (7)
1.一种基于步态时空参数和三维力特征的帕金森患者行走能力评估方法，其特征在于包括：足底压力数据和三维力数据获取，数据处理与特征参数提取，行走能力评估；其中足底压力数据和三维力数据获取是指利用柔性阵列压力传感器和三维力测试平台构建的步态通道获取帕金森患者正常行走过程中的足底压力数据和三维力数据；数据处理与特征参数提取是指分别对患者的足底压力数据和三维力数据进行分析处理，提取步态时空参数和三维力特征参数；行走能力评估是指最后应用模糊算法对步态时空参数和三维力特征参数进行分类，从而实现患者的行走能力评估；
所述足底压力数据处理是指：对获取的足底压力数据依次进行数据去噪、数据聚类分割和左右脚类型识别处理，获取患者单脚的足底压力数据；
所述步态时空参数提取是指：对经过足底压力数据处理后的单脚足底压力数据提取步态特征，根据帕金森患者的步态特征，提取相关的步态时空参数；
所述三维力特征提取是指：针对获取的三维力数据，计算三维力中z轴垂直剪切力曲线的Pearson(皮尔森)相关系数，并以此作为患者步态的三维力特征。
2.根据权利要求1所述的基于步态时空参数和三维力特征的帕金森患者行走能力评估方法，其特征在于：所述利用柔性阵列压力传感器和三维力测试平台构建的步态通道为由柔性阵列压力传感器单元模块和三维测力平台构成的倒U型通道，其中，柔性阵列压力传感器单元模块构成倒U型通道的第一个直道部分(GC1)和弯道部分(GC2)，直道部分(GC1)由5个柔性阵列压力传感器单元模块排列而成，用来获取患者正常行走过程中的直行信息；弯道部分(GC2)是由4个柔性阵列压力传感器单元模块组成，弯道部分的第二个柔性阵列压力传感器单元模块较其他模块长，以求更好的捕获患者转弯时的步态信息；三维测力平台构成倒U型通道的第二个直道部分，三维测力平台中的测力台单元模块的排列方式与柔性阵列压力传感器单元模块构成的直道部分(GC1)相对称，用来获取患者行走过程中的三维力数据。
3.根据权利要求1所述的基于步态时空参数和三维力特征的帕金森患者行走能力评估方法，其特征在于：所述足底压力数据、三维力数据获取的具体实现步骤如下：在无人搀扶的情况下，让患者以正常速度通过步态通道，实时采集和存储该过程中患者的足底压力数据和三维力数据。
4.根据权利要求1所述的基于步态时空参数和三维力特征的帕金森患者行走能力评估方法，其特征在于：所述足底压力数据处理的具体实现步骤如下：
(1)应用一种加入时间窗的时空自适应窗体中心加权的中值均值滤波算法对采集的每一帧足底压力数据进行去噪处理，滤除噪声的影响；
(2)针对去噪后的足底压力数据应用基于连通域的图像聚类分割算法进行聚类分割，获取患者所有单脚的完整数据帧的足底压力数据，其中每只脚的数据包括单脚的起止时间戳、矩形坐标范围信息；
(3)分别对获取的每只脚的足底压力数据提取其足印边界点数据进行拟合，根据左右脚边界曲线的特点，进行左右脚类型识别，确定单只脚的足底压力数据类别。
5.根据权利要求1所述的基于步态时空参数和三维力特征的帕金森患者行走能力评估方法，其特征在于：所述步态时空参数提取的具体实现步骤如下：
(1)根据患者左右脚足印数据序列计算其步态时空参数，根据帕金森患者的步态特征，提取以下11个步态参数：步速、周期、步长、摆动时间、双支撑时间、步频、平衡系数、左脚着地时间、右脚着地时间、弯道步数和弯道行走时间；
(2)对提取的步态时空参数进行筛选，应用GA遗传算法筛选出最佳步态参数：步速、平衡系数、双支撑时间、步长、弯道步数和弯道行走时间。
6.根据权利要求1所述的基于步态时空参数和三维力特征的帕金森患者行走能力评估方法，其特征在于：所述行走能力评估的具体实现步骤如下：
(1)根据提取的步态时空参数以及三维力特征参数确定各个参数的模糊隶属度函数，所述模糊隶属度函数采用三角形的模糊隶属度函数，各个参数对应的模糊隶属度函数的阈值由30名行走能力不同的患者步态数据确定；
(2)根据提取的步态时空参数、三维力特征参数及各个参数对应的模糊隶属度函数，制定模糊规则，并确定模糊水平的隶属度函数，建立一个多输入单输出的模糊分类器，根据模糊分类器输出的模糊度水平实现数据分类，最终实现患者的行走能力评估。
7.根据权利要求1所述的基于步态时空参数和三维力特征的帕金森患者行走能力评估方法，其特征在于：所述足底压力数据是指患者正常行走过程中通过柔性阵列压力传感器实时获取的足底压力信息，其中每个柔性阵列压力传感器获取的足底压力信息由压力时间、压力行值、压力列值和压力大小组成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410833653.8A CN104598722B (zh) | 2014-12-25 | 2014-12-25 | 一种基于步态时空参数和三维力特征的帕金森患者行走能力评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410833653.8A CN104598722B (zh) | 2014-12-25 | 2014-12-25 | 一种基于步态时空参数和三维力特征的帕金森患者行走能力评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104598722A CN104598722A (zh) | 2015-05-06 |
| CN104598722B true CN104598722B (zh) | 2017-04-19 |
Family
ID=53124501
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410833653.8A Active CN104598722B (zh) | 2014-12-25 | 2014-12-25 | 一种基于步态时空参数和三维力特征的帕金森患者行走能力评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104598722B (zh) |
Families Citing this family (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105930663B (zh) * | 2016-04-26 | 2020-06-19 | 北京科技大学 | 一种基于演化模糊规则的手部震颤信号及音频信号分类方法 |
| CN106618487A (zh) * | 2016-10-31 | 2017-05-10 | 北京城市系统工程研究中心 | 一种老年人平衡能力评定方法 |
| CN107519618A (zh) * | 2017-07-06 | 2017-12-29 | 中国科学院合肥物质科学研究院 | 一种足部康复训练设备 |
| CN109979595A (zh) * | 2019-02-22 | 2019-07-05 | 福州大学 | 一种基于足底压力检测的支持向量机足踝外伤康复评估结果的分类方法 |
| CN110151190A (zh) * | 2019-05-23 | 2019-08-23 | 西南科技大学 | 一种骨科术后康复监测方法及系统 |
| CN110222605B (zh) * | 2019-05-24 | 2021-11-19 | 深兰科技（上海）有限公司 | 一种障碍物检测方法及设备 |
| CN110292384A (zh) * | 2019-06-26 | 2019-10-01 | 浙江大学 | 一种基于足底压力数据分布的智能足弓指数测量方法 |
| CN110755083A (zh) * | 2019-10-21 | 2020-02-07 | 广东省人民医院(广东省医学科学院) | 一种基于虚拟现实的康复训练方法和运动评估设备 |
| CN111631722B (zh) * | 2020-05-18 | 2021-11-09 | 北京航空航天大学 | 基于光纤微弯压力传感的帕金森病人步态分析系统及方法 |
| TWI798770B (zh) * | 2020-08-03 | 2023-04-11 | 財團法人工業技術研究院 | 步態評估系統及步態評估方法 |
| CN112201347A (zh) * | 2020-10-16 | 2021-01-08 | 南开大学 | 一种基于足底压力信息的步态划分与特征提取方法 |
| KR102474407B1 (ko) * | 2020-11-26 | 2022-12-07 | 한국과학기술연구원 | 빠른 속도 보행에서의 보행 변인을 이용한 노인 인지장애 심각도 예측 방법 및 시스템 |
| CN112617807B (zh) * | 2020-12-31 | 2024-04-05 | 中国科学院合肥物质科学研究院 | 一种预防和解除帕金森病患者冻结步态的装置和方法 |
| KR102545358B1 (ko) * | 2021-04-09 | 2023-06-21 | 인하대학교 산학협력단 | 보행데이터 기반 파킨슨 증후군 중증 단계 판별 시스템 및 방법 |
| CN114287890B (zh) * | 2022-01-12 | 2023-09-26 | 天津大学 | 基于mems传感器的帕金森患者的运动功能评估方法 |
| CN115171886B (zh) * | 2022-07-25 | 2023-03-24 | 北京戴来科技有限公司 | 一种基于随机森林算法的冻结步态检测方法、装置、设备和存储介质 |
| CN115830718B (zh) * | 2023-02-14 | 2023-04-25 | 福建中医药大学 | 基于步态识别预测康复训练效果的数据处理系统 |
| CN117747115B (zh) * | 2024-02-19 | 2024-05-14 | 天津大学 | 一种步态信息处理方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101630364A (zh) * | 2009-08-20 | 2010-01-20 | 天津大学 | 基于融合特征的步态信息处理与身份识别方法 |
| CN102090896A (zh) * | 2011-03-28 | 2011-06-15 | 东南大学 | 一种用于康复治疗的足底压力测量方法 |
| CN103021129A (zh) * | 2012-12-04 | 2013-04-03 | 东南大学 | 一种老年人跌倒监测系统及其方法 |
-
2014
- 2014-12-25 CN CN201410833653.8A patent/CN104598722B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101630364A (zh) * | 2009-08-20 | 2010-01-20 | 天津大学 | 基于融合特征的步态信息处理与身份识别方法 |
| CN102090896A (zh) * | 2011-03-28 | 2011-06-15 | 东南大学 | 一种用于康复治疗的足底压力测量方法 |
| CN103021129A (zh) * | 2012-12-04 | 2013-04-03 | 东南大学 | 一种老年人跌倒监测系统及其方法 |
Non-Patent Citations (6)
| Title |
|---|
| D LM et..Arm swing magnitude and asymmetry during gait in the early stages of Parkinson"s disease.《Gait & Posture》.2010,第31卷(第2期),第256-260页. * |
| Williams AJ et..Gait coordination in Parkinson disease:Effects of step length and cadence manipulations.《Gait & Posture》.2013,第38卷(第2期),第340-344页. * |
| 一种改进的基于地面反作用力的步态识别方法;林尔东等;《模式识别与人工智能》;20110615;第24卷(第3期);第353-359页 * |
| 基于压力感知步态的运动人体行为识别研究;石欣;《中国博士学位论文全文数据库 信息科技辑》;20101215(第12期);第I138-82页 * |
| 基于足底压力分布的步行行为感知关键技术研究;夏懿;《中国博士学位论文全文数据库 信息科技辑》;20131015(第10期);第I138-48页 * |
| 帕金森病患者步态测量与定量分析;文龙等;《中国康复医学杂志》;20140715;第29卷(第7期);第637-641页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104598722A (zh) | 2015-05-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104598722B (zh) | 一种基于步态时空参数和三维力特征的帕金森患者行走能力评估方法 | |
| CN101558996B (zh) | 基于人体运动结构正投影三维重建的步态识别方法 | |
| Kolli et al. | Non-intrusive car driver's emotion recognition using thermal camera | |
| CN110084259A (zh) | 一种结合面部纹理和光流特征的面瘫分级综合评估系统 | |
| CN103268485A (zh) | 基于稀疏正则化的实现多波段人脸图像信息融合的人脸识别方法 | |
| CN110532850B (zh) | 一种基于视频关节点和混合分类器的跌倒检测方法 | |
| CN101261677A (zh) | 人脸和虹膜混合识别的新方法——特征提取层融合 | |
| CN112465905A (zh) | 基于深度学习的磁共振成像数据的特征脑区定位方法 | |
| CN110781953B (zh) | 基于多尺度金字塔卷积神经网络的肺癌病理切片分类方法 | |
| CN107403407A (zh) | 一种基于热成像技术的呼吸跟踪方法 | |
| CN111870224B (zh) | 一种肿瘤血管正常化检测系统和检测方法 | |
| CN105095840A (zh) | 基于眼震影像的多方向上眼震信号提取方法 | |
| CN107480716A (zh) | 一种结合eog和视频的扫视信号识别方法及系统 | |
| CN113920568A (zh) | 基于视频图像的人脸和人体姿态情绪识别方法 | |
| CN109978826A (zh) | 一种宫颈癌细胞病理学排阴法智能筛查系统及方法 | |
| CN114220543B (zh) | 一种肿瘤患者身心痛苦指数评估方法以及系统 | |
| CN115937953A (zh) | 心理变化检测方法、装置、设备及存储介质 | |
| CN115346272A (zh) | 基于深度图像序列的实时摔倒检测方法 | |
| CN104036291A (zh) | 基于人种分类的多特征性别判断方法 | |
| CN103417216B (zh) | 一种基于复杂度的压力中心非线性特征提取方法 | |
| CN110236514A (zh) | 基于视频的众值提取和中值滤波结合的实时心率检测方法 | |
| CN103955941B (zh) | 一种角膜内皮细胞分析仪及分析方法 | |
| Zhang et al. | A Footprint Extraction and Recognition Algorithm Based on Plantar Pressure. | |
| CN112990090A (zh) | 一种人脸活体检测方法及装置 | |
| CN110801227B (zh) | 基于可穿戴设备的立体色块障碍测试的方法和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information |
Inventor after: Liu Yao Inventor after: Sun Yining Inventor after: Ma Zuchang Inventor after: Zhou Xu Inventor after: Han Yongzhu Inventor after: Han Yongsheng Inventor after: Wei Kai Inventor after: Li Hongjun Inventor after: Zhang Xiaodi Inventor after: Wang Tao Inventor after: Zhang Xian Inventor after: Cheng Nan Inventor after: Xu Shengqiang Inventor after: Zeng Qiang Inventor after: Yang Xianjun Inventor after: Wang Xun Inventor after: Tang Zheng Inventor after: Yao Zhiming Inventor after: Wang Guangjun Inventor before: Xu Shengqiang Inventor before: Zhou Xu Inventor before: Cheng Nan Inventor before: Yang Xianjun Inventor before: Wang Xun Inventor before: Wei Kai Inventor before: Sun Yining Inventor before: Han Yongsheng Inventor before: Ma Zuchang Inventor before: Zhang Xian |
|
| COR | Change of bibliographic data | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |