CN108309304A - 一种生成冻结步态智能监测系统的方法 - Google Patents

一种生成冻结步态智能监测系统的方法 Download PDF

Info

Publication number
CN108309304A
CN108309304A CN201711431782.4A CN201711431782A CN108309304A CN 108309304 A CN108309304 A CN 108309304A CN 201711431782 A CN201711431782 A CN 201711431782A CN 108309304 A CN108309304 A CN 108309304A
Authority
CN
China
Prior art keywords
fog
gait
time
prediction models
freezing
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.)
Granted
Application number
CN201711431782.4A
Other languages
English (en)
Other versions
CN108309304B (zh
Inventor
顾冬云
李波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ninth Peoples Hospital Shanghai Jiaotong University School of Medicine
Original Assignee
Ninth Peoples Hospital Shanghai Jiaotong University School of Medicine
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ninth Peoples Hospital Shanghai Jiaotong University School of Medicine filed Critical Ninth Peoples Hospital Shanghai Jiaotong University School of Medicine
Priority to CN201711431782.4A priority Critical patent/CN108309304B/zh
Publication of CN108309304A publication Critical patent/CN108309304A/zh
Application granted granted Critical
Publication of CN108309304B publication Critical patent/CN108309304B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/112—Gait analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
    • A61H3/00—Appliances for aiding patients or disabled persons to walk about

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Veterinary Medicine (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Neurology (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Neurosurgery (AREA)
  • Physiology (AREA)
  • Dentistry (AREA)
  • Epidemiology (AREA)
  • Pain & Pain Management (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Rehabilitation Therapy (AREA)
  • Developmental Disabilities (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明提供了一种生成冻结步态智能监测系统的方法，包括：采集三轴加速度数据，根据采集的三轴加速度数据，采用FOG预测模型，进行FOG和非FOG特征识别和分类，对FOG预测模型的识别精度进行验证；将验证后的FOG预测模型移植到微控制器。本发明针对冻结步态这一特殊的步态障碍疾病，开发了FOG智能识别与分类算法，克服了以往通过对加速度设定临界阈值进行判断所带来的个体差异性误差，从而提高FOG的识别准确度。本发明有效提高了冻结步态的识别率，对患者FOG识别的准确性、灵敏性和特异性分别达到了91.9％±3.3％，88.4％±4.7％，93.6％±3.4％。

Description

一种生成冻结步态智能监测系统的方法
技术领域
本发明涉及的是一种智能医疗辅助领域的设备，具体涉及一种可穿戴式冻结步态智能监测系统的生成方法。
背景技术
冻结步态(FOG)是帕金森病(PD)的一种常见步态异常症状，横断面研究显示30％-60％的PD伴有冻结步态。在其他神经系统变性疾病，如多系统萎缩、进行性核上性麻痹等疾病中，FOG的发病率较PD更高。FOG具有发生突然、持续时间短暂、情景触发而不可预测的特点，极易导致患者跌倒，严重影响患者生活质量。然而，在冻结步态的治疗方面，药物对冻结步态症状的改善效果不理想，甚至对有些患者而言，药物会加重FOG症状。因此，探索非药物治疗冻结步态新方法，开发相关医疗辅助设备已俞益受到关注。
中国专利CN105342812A记载了一种用于帕金森患者的可穿戴的助步器，该助步器穿戴于患者脚踝附近，通过在患者脚部前方产生引导光线，以视觉刺激的方式引导患者行走，达到冻结步态缓解的康复治疗效果。中国专利CN205728299U记载了一种用于帕金森患者的助步器鞋，该助步鞋本体内设有用于产生照射在患者脚步前方的助步引导标志光线的一字型激光器，在帕金森患者行走过程中产生助步引导标志光线，以视觉刺激来弥补患者本体感觉缺陷，缓解冻结步态。中国专利CN 104606868A记载了一种用于缓解帕金森病患者冻结步态的智能手环，该设备输出模块包括振动单元、扬声器和线激光器。其可以通过触觉、听觉或视觉刺激等方式缓解帕金森病患者的冻结步态。
但是，上述专利所公开的激光助行设备，未对激光发射进行智能控制，无法监测患者冻结步态的发生状况。设备采用人工开启方式，一旦开启使用，激光线一直处于常亮状态，容易给患者造成视觉疲劳，减弱患者步行时的注意力，不能有效改善FOG症状。由于FOG的发生与环境和情景有关，即FOG通常发生在患者起步、转弯、狭小空间、接近终点和情绪紧张等短时或瞬间情况下，患者行进过程中则少有FOG发生，因此有文献报道，这种持续性激光对患者行进过程不发挥作用，相反易干扰患者的正常行走。其次，研究还发现，持续性激光暗示也并不具有康复训练的功能，即患者在使用该类型激光助行设备时，患者的步态特征参数，如步态的节律性和协调性未见有效改善。
综上所述，目前尚未见有关通过运动模式识别技术自动探测患者冻结步态发生、由实时控制激光发射的时间和频率、实现患者冻结步态症状改善和康复训练双重效果的可穿戴智能激光助行设备。
发明内容
针对目前可穿戴智能激光助行设备存在的缺陷，本发明提供了一种生成冻结步态(FOG)智能监测系统的方法。
本发明所述的生成冻结步态智能监测系统的方法，包括：
采集三轴加速度数据，
根据采集的三轴加速度数据，采用FOG预测模型，进行FOG和非FOG特征识别和分类，对FOG预测模型的识别精度进行验证；
将验证后的FOG预测模型移植到微控制器。
在本发明的一种优选实施例中，所述FOG预测模型使用AdaBoostSVM集成分类器，包括N个SVM子分类器，每个子分类器均进行是否发生FOG的预测，预测结果为1或-1，最终预测值Y为：
其中，N为＞1的自然数，i为1至N的自然数；ai为第i个子分类器权重，fi(xj)为第i个子分类器在j时刻的预测值；若Y≥0，则FOG预测模型的最终预测值为1，该时刻发生FOG；若Y＜0，则FOG预测模型的最终预测值为-1，该时刻发生非FOG，即正常步态。
优选地，第i+1个子分类器的权重ai+1为：
其中，εi为第i个分类器的错误率，Di是归一化因子，其作用是使得εi为第i个分类器的错误率，m为采集到的加速度数据总量，m＝fs×t。
在本发明的一种优选实施例中，j＝1,2,3,……fs×t，其中，fs为数据采集频率，t为数据采集时间。
在本发明的一种优选实施例中，初始权重a1＝1/m。
在本发明的一种优选实施例中，子分类器个数N优选为10000。
在本发明的一种优选实施例中，所述生成冻结步态智能监测系统的方法，包括：
采集FOG数据：获取行进过程中发生FOG的次数，每次FOG发生起始时间、终止时间和持续时间；获得每个采样时刻的真实FOG时间序列矩阵c；
采集加速度数据：用于收集行进过程中的X、Y、Z三轴加速度，获得加速度时间序列矩阵；
构建FOG编码矩阵VCM(视频编码矩阵，Video Coding matrix)：将发生FOG编码为1，发生非FOG编码为-1；所有时域内的1和-1组成标签，标签与其对应的发生时间构建一个二维FOG编码矩阵VCM；
构建FOG特征值提取矩阵SCM(信号编码矩阵，Signal Coding matrix)：将采集到的加速度时间序列矩阵，通过预设的n个递增的滑动时间窗参数，在X、Y、Z三轴上分别进行傅里叶变换，获取非FOG频带(即正常步行加速度频率分布)的能量之和A以及FOG频带(冻结步态是加速度频率分布)的能量之和B，将A除以B作为分类特征K，建立n个FOG特征值提取矩阵SCM；n为自然数；VCM中的FOG标签与FOG编码一一对应，因此VCM中的FOG发生时间信息隐含到SCM中；
建立FOG预测模型：提取SCM中特征值数据的部分、优选为70％作为智能识别算法训练集，用于确定FOG预测模型中各子分类器的权重和偏置；
验证FOG预测模型的识别精度；
将验证后的预测模型移植到微控制器。
其中，所述傅里叶变换优选为离散傅里叶变换，更优选为快速傅里叶变换(利用计算机离散傅里叶变换，FFT)。
在本发明一种优选实施例中，所述验证FOG预测模型的识别精度的方法包括：
VCM矩阵中每个采样时刻有一个对应的FOG发生与否的预测值，从而获得预测FOG时间序列矩阵y1，将真实FOG时间序列矩阵c与预测时间序列矩阵y1对比对FOG预测模型进行验证，并获得分类器内部参数，所述内部参数包括子分类器权重和偏置。
在本发明一种优选实施例中，所述验证FOG预测模型的识别精度的方法还包括：
根据FOG预测模型，获得每个滑动时间窗参数下FOG识别结果，获得预测序列矩阵y2；将真实FOG时间序列矩阵c与预测时间序列矩阵y2进行对比，对FOG预测模型进行验证，筛选符合预期准确性、灵敏性和特异性的滑动时间窗参数。
在本发明一种优选实施例中，所述将真实FOG时间序列矩阵c与预测时间序列矩阵(y1和/或y2)对比对FOG预测模型进行验证的方法优选为：统计真阳(TP)、假阳(FP)、真阴(TN)、假阴(FN)的个数，计算预测模型的准确度、灵敏度和特异性。
其中，所述准确性计算方法优选为：
其中，所述灵敏性计算方法优选为：
其中，所述特异性计算方法优选为：
在本发明的一种优选实施例中，所述子分类器为支持向量机。
在本发明一种优选实施例中，提取SCM中特征值数据的部分、并优选为70％作为智能识别算法训练集之后，剩余特征值中的至少部分作为测试集，用于验证FOG预测模型的识别精度(包括准确性、灵敏性和特异性)。
在本发明一种优选实施例中，采集FOG数据中，提取的是单个使用者的数据，所述建立FOG预测模型中，提取该使用者SCM中部分特征值数据作为智能识别算法训练集，提取SCM中剩余的至少部分特征值数据作为测试集，进行交叉验证。
在本发明另一种优选实施例中，采集FOG数据中，提取的是多个使用者的数据，所述建立FOG预测模型中，提取部分使用者的SCM中的特征值数据作为智能识别算法训练集，提取其余使用者中的至少部分的SCM中的特征值数据作为测试集，进行验证。更优选地，每次选取一个使用者的SCM中的特征值数据作为测试集，其他使用者的SCM中的特征值数据作为智能识别算法训练集。
在本发明的一种优选实施例中，所述VCM为二维矩阵：
其中，第一行为时间序列，第二行为具体的标签；将第i次FOG的起始时间表示为FSTi，将第i次FOG的结束时间表示为FETi，第i次FOG的持续时间记为FSTi～FETi；将第i次非FOG的起始时间表示为NSTi，将第i次非FOG的结束时间表示为NETi，第i次非FOG的持续时间记为NSTi～NETi；所述二维FOG编码矩阵中，非FOG发生次数始终比FOG发生次数多1；i为自然数，表示FOG或非FOG发生次数；M表示一个数据集中总共发生FOG的次数；
在本发明的一种优选实施例中，所述SCM为四维矩阵：
其中，第一、二、三行分别为加速度在X轴、Y轴、Z轴上的分类特征值，第四行是与FOG编码矩阵VCM第二行完全相同的FOG标签；FXiFi表示第i次FOG时X轴上提取的特征值，NXiNi表示第i次非FOG时X轴上提取的特征值，FYiFi表示第i次FOG时Y轴上提取的特征值，NYiNi表示第i次非FOG时Y轴上提取的特征值，FZiFi表示第i次FOG时Z轴上提取的特征值，NZiNi表示第i次非FOG时Z轴上提取的特征值；i为自然数，表示FOG或非FOG发生次数；
在本发明的一种优选实施例中，非FOG频带优选为0.5-3Hz范围。
在本发明的一种优选实施例中，FOG频带优选为3-8Hz范围。
即，K优选为：
其中，frequency为频率变量，magnitude(frequency)为所述频率变量对应的能量值。
本发明有益效果：
1)本发明针对冻结步态这一特殊的步态障碍疾病，开发了FOG智能识别与分类算法，克服了以往通过对加速度设定临界阈值进行判断所带来的个体差异性误差，从而提高FOG的识别准确度。
2)本发明有效提高了冻结步态的识别率，对患者FOG识别的准确性、灵敏性和特异性分别达到了91.9％±3.3％，88.4％±4.7％，93.6％±3.4％。
本发明提供了一种无需阈值判断的FOG智能监测算法，准确监测患者冻结步态的发生状况，即时触发激光发射器的控制信号，可以控制激光的发出和关闭、并可以控制在患者行进地面上投射节律性激光，以视觉引导方式改善患者冻结步态症状，达到缩短患者冻结步态持续时间以及解除冻结步态的效果，从而有效降低患者跌倒发生的风险。本发明提出的FOG智能监测算法可用于智能激光助行设备，控制激光发射器是根据患者行走时的自然步频，控制和调节激光线的发射频率，引导患者以一定节律迈步，保持患者跨步时间的稳定，减少患者步态障碍的序列效应，改善患者步态的节律性和协调性。因此，本发明既能有效改善患者冻结步态症状，又具监测与康复训练效果，为临床诊断与治疗提供了一种新方法。
附图说明
图1为本发明FOG智能识别算法流程图。
图2为FOG编码与标签图。
具体实施方式
本发明生成冻结步态智能监测系统的方法包括数据采集、开发FOG智能识别算法、将所述FOG智能识别算法导入微控制器等几个部分。
实施例1，
在本实施例中，参照图1，具体包括：
步骤1，数据采集
通过九轴传感器(包含三轴加速度计、三轴陀螺仪、三轴地磁传感器)采集患者的三轴加速度数据，即X、Y、Z轴的加速度数据，采集数据由微控制器保存到SD卡中。
在采集患者加速度数据同时，对患者的步行过程进行同步摄像。
步骤2，冻结步态线下识别
将患者的加速度数据由SD卡导入PC电脑，在电脑上应用开发的冻结步态智能识别算法，对患者冻结步态进行识别与分类。该步骤具体包括：
1)FOG编码与标签设定，构建FOG编码矩阵
通过观察已录制的摄像，确定患者在整个行进过程中发生FOG的次数，以及每次FOG发生的起始时间、终止时间和持续时间。
将FOG编码为1，非FOG编码为-1。所有时域内的1和-1组成标签，标签与其对应的发生时间构成一个二维FOG编码矩阵(VCM)。参照图2，其中1为FOG，-1为非FOG。横坐标为采样时间，单位为秒。
其中，矩阵的第一行为时间序列，矩阵的第二行为具体的FOG标签，FSTi表示发生第i次FOG的起始时间，FETi表示第i次FOG的结束时间，FSTi～FETi表示第i次FOG的持续时间。NSTi表示第i次非FOG的起始时间，NETi表示第i次非FOG的结束时间，NSTi～NETi表示第i次非FOG的持续时间。在编码矩阵中，非FOG的发生次数始终比FOG发生的次数多1。
2)建立FOG特征提取矩阵SCM
依据FOG发生时与正常步行时加速度具有不同能量谱分布的原理，即发生FOG时加速度频率在0.5-3HZ(正常步行频带，非FOG频带)具有较低的能量分布，在3-8HZ(冻结步态频带，FOG频带)具有较高的能量分布。
将采集到的患者加速度时间序列数据，通过预设n个滑动时间窗，在三轴方向上分别进行快速傅里叶变换。加速度在0.5-3HZ频率的能量之和，除以3-8HZ频率的能量和，作为分类特征K，建立n个FOG特征提取矩阵SCM。
其中，SCM矩阵为四维矩阵，矩阵的第一、二、三行分别为加速度在X轴、Y轴、Z轴上的分类特征值K，矩阵的第四行是与FOG编码矩阵VCM第二行完全相同的FOG标签；由于VCM中的FOG标签与FOG编码一一对应，所以VCM中的FOG发生时间信息，即第i次FOG的起始时间(FSTi)、结束时间(FETi)、非FOG起始时间(NSTi)、非FOG结束时间(NETi)将被隐含到SCM中去。
SCM中的FXiFi表示第i次FOG时X轴上提取的特征值，NXiNi表示第i次非FOG时X轴上提取的特征值，FYiFi表示第i次FOG时Y轴上提取的特征值，NYiNi表示第i次非FOG时Y轴上提取的特征值，FZiFi表示第i次FOG时Z轴上提取的特征值，NZiNi表示第i次非FOG时Z轴上提取的特征值。
本实施例中，所有数据采集自一个患者。SCM矩阵中的70％数据将用于智能识别算法的训练集。其余30％的数据作为测试集，用于验证FOG预测模型。3)确定分类器的内部参数
相比传统FOG识别算法，本算法不必寻找FOG与非FOG的阈值，只需根据采集的患者加速度数据，通过提取FOG的相关特征值，建立FOG的预测模型，就能完成对患者未知数据的自动分类。无阈值检测可避免因个体差异带来的阈值标定错误，从而提高FOG的预测准确度。
AdaBoostSVM集成分类器，包括N个SVM子分类器，N预设为10000，每个子分类器均进行是否发生FOG的预测，预测结果为1或-1，其中，N为＞1的自然数，i为1至N的自然数；第i+1个分类器的权重为：
其中，εi为第i个分类器的错误率，Di是归一化因子，其作用是使得m为采集到的加速度数据总量。
最终预测变量其中fi(xj)为真实发生FOG的标签(1或-1)；若Yj≥0，则FOG预测模型的最终预测值为1，该时刻发生FOG；若Yj＜0，则FOG预测模型的最终预测值为-1，该时刻发生非FOG，即正常步态，包括站立和正常行走。
支持向量机的个数过高会产生过拟合，过低会产生欠拟合，不同支持向量机的个数对灵敏性和特异性有不同的侧重，从而可以避免过高灵敏性带来的过低特异性(或反之亦然)，在灵敏性和特异性方面取得折中，以满足临床监测诊断的分类需求。因此，本发明对任意预测时刻j的FOG分类预测值yj求解，公式可概括为：
其中εi为第i个分类器的错误率，fi(x)为真实发生FOG的标签(1或者-1)。
N为子分类器的个数，m为数据总量，m＝fs×t
yj为j时刻FOG分类预测值，预测结果如为1，代表j时刻发生了FOG，预测结果如为-1，表示j时刻为非FOG。j的取值范围取决于数据采样频率fs和采样时间t的乘积数fs×t。xj为j时刻的FOG特征值，即该时刻采样的加速度能量谱特征，可以通过公式(2)计算得到。函数fi为第i个子分类器的FOG预测分类值，例如，fi(xj)为第i个子分类器在j时刻的FOG预测的分类值(1或-1)。本实施例中，
因为每种分类器的预测结果为FOG(预测值为1)或非FOG(预测值为-1)，因此只要大于等于0时，则认定最终的预测值为1，即预测该时刻发生了FOG。预测值总和小于0时，则预测该时刻为正常步态。所有预测值yj的输出构成了预测序列矩阵y1。
y1＝(y1,y2,y3,y4,…,yN-1,yN)，N＝fs×t (5)
获取预测模型的最佳内部参数后，对测试集进行测试，并计算识别精度(包括准确性，灵敏性、特异性)，来评估模型的性能，其中测试集来自于矩阵SCM数据中的30％。根据VCM矩阵中每个采样时刻xj都会有一个对应的真实FOG发生与否的ck值(ck＝1表示发生了FOG，ck＝-1表示非FOG)，我们对ck时间序列与预测时间序列进行对比，统计预测的真阳(TP)、假阳(FP)真阴(TN)和假阴(FN)个数，构建二分类的混淆矩阵(表1)，用于分析预测模型的精度，包括准确性，灵敏性和特异性的计算与分析。
表1，二分类的混淆矩阵
TP：真实发生了FOG、预测为FOG
FN：真实发生了FOG、预测为非FOG
FP：真实发生了非FOG、预测为FOG
TN：真实发生了非FOG、预测为非FOG
因此：
准确性＝(TP+TN)/(TP+TN+FP+FN)
灵敏性＝TP/(TP+FN)
特异性＝TN/(TN+FP)
本实施例中，随机选取70％数据将用于智能识别算法的训练集，调整10000个子分类器的权重和偏置等最佳内部参数。
其余30％的数据作为测试集，可以获取针对每个病人的最佳预测模型，提高预测模型的个性化识别精度。
步骤3，移植到微控制器
经过上述识别精度的验证后，将FOG预测模型移植到微控制器，用于实时监测患者冻结步态的发生状况。
实施例2
本实施例在实施例1的基础上，步骤2还包括：
4)滑动时间窗参数(外部参数)确定
步骤2的第2)部分中，提取FOG特征时，对加速度数据在每个时间窗内进行处理，滑动时间窗设为可调参数，滑动时间窗越大，预测精度越高，但随之会带来较大的系统时延，所以需对滑动时间窗的参数设置进行折中调节，以获得较高精度的FOG识别结果。
本发明为滑动时间窗预设了n个递增参数，参照公式(4)获得在每个滑动时间窗参数下的FOG识别结果，获得FOG预测时间序列矩阵y2。
根据表1构建二分类的混淆矩阵，并计算准确性，灵敏性和特异性。将符合预期的参数，如准确性、灵敏性和特异性较高且系统时延(即滑动时间窗)较小时所对应的参数，确定为实现FOG最佳识别效果的滑动时间窗参数。该滑动时间窗参数作为子分类器的外部参数。
把FOG预测模型移植到微控制器中后，把每个确定的FOG最佳识别效果的滑动时间窗参数输入到已经确立外部和内部参数的分类器后，分类器对每个新的加速度数据的标签进行预测，即1或-1。
实施例3
与实施例1或2不同的是，本实施例中，步骤2的第2)部分中，选择M个患者数据集，每次选择一个作为测试集，剩余M-1个作为训练集，可以获取适用于所有病人的最佳通用预测模型，可以提高模型的泛化能力，减小新数据验证时的泛化误差。
本发明所述方法获得的FOG预测模型移植到微控制器，监测到患者发生冻结步态时，即预测输出为1时，微控制器向激光发射系统发出开启激光光源的控制信号。当即监测到冻结步态结束时，FOG预测模型输出为-1，微控制器向激光光源发射系统发出关闭激光光源的控制信号。
经过对患者的实际测试，本发明有效提高了冻结步态的识别率，对患者FOG识别的准确性、灵敏性和特异性分别达到了91.9％±3.3％，88.4％±4.7％，93.6％±3.4％。
以上对本发明的具体实施例进行了详细描述，但其只是作为范例，本发明并不限制于以上描述的具体实施例。对于本领域技术人员而言，任何对本发明进行的等同修改和替代也都在本发明的范畴之中。因此，在不脱离本发明的精神和范围下所作的均等变换和修改，都应涵盖在本发明的范围内。

Claims (10)

1.一种生成冻结步态智能监测系统的方法，其特征在于，包括：
采集三轴加速度数据，
根据采集的三轴加速度数据，采用FOG识别算法，进行FOG和非FOG特征识别和分类，对FOG识别算法的识别精度进行验证；
将验证后的FOG识别算法移植到微控制器。
2.根据权利要求1所述的生成冻结步态智能监测系统的方法，其特征在于，所述FOG预测模型采用AdaBoostSVM集成分类器，包括N个子分类器，每个子分类器均进行是否发生FOG的预测，预测结果为1或-1，最终预测值Y为：其中，N为＞1的自然数，i为1至N的自然数；ai为第i个子分类器权重，fi(xj)为第i个子分类器在j时刻的预测值；若Y≥0，则FOG预测模型的最终预测值为1，该时刻发生FOG；若Y＜0，则FOG预测模型的最终预测值为-1，该时刻发生非FOG，即正常步态。
3.根据权利要求2所述的生成冻结步态智能监测系统的方法，其特征在于，包括：
采集FOG数据：获取行进过程中发生FOG的次数，每次FOG发生起始时间、终止时间和持续时间；获得每个采样时刻的真实FOG时间序列矩阵c；
采集加速度数据：用于收集行进过程中的X、Y、Z三轴加速度，获得加速度时间序列矩阵；
构建FOG编码矩阵VCM：将发生FOG编码为1，发生非FOG编码为-1；所有时域内的1和-1组成标签，标签与其对应的发生时间构建一个二维FOG编码矩阵VCM；
构建FOG特征值提取矩阵SCM：将采集到的加速度时间序列矩阵，通过预设的n个递增的滑动时间窗参数，在X、Y、Z三轴上分别进行傅里叶变换，获取非FOG频带(即正常步行加速度频率分布)的能量之和A以及FOG频带(冻结步态是加速度频率分布)的能量之和B，将A除以B作为分类特征K，建立n个FOG特征值提取矩阵SCM；n为自然数；VCM中的FOG标签与FOG编码一一对应，因此VCM中的FOG发生时间信息隐含到SCM中；建立FOG预测模型：提取SCM中特征值数据的部分作为智能识别算法训练集，用于确定FOG预测模型中各子分类器的权重和偏置；
验证FOG预测模型的识别精度；
将验证后的预测模型移植到微控制器。
4.根据权利要求3所述的生成冻结步态智能监测系统的方法，其特征在于，所述验证FOG预测模型的识别精度的方法包括：
VCM矩阵中每个采样时刻有一个对应的FOG发生与否的预测值，从而获得预测FOG时间序列矩阵y1，将真实FOG时间序列矩阵c与预测时间序列矩阵y1对比对FOG预测模型进行验证，并获得分类器内部参数，所述内部参数包括子分类器权重和偏置。
5.根据权利要求3所述的生成冻结步态智能监测系统的方法，其特征在于，所述验证FOG预测模型的识别精度的方法还包括：
根据FOG预测模型，获得每个滑动时间窗参数下FOG识别结果，获得预测序列矩阵y2；将真实FOG时间序列矩阵c与预测时间序列矩阵y2进行对比对FOG预测模型进行验证，筛选符合预期准确性、灵敏性和特异性的滑动时间窗参数。
6.根据权利要求5或6所述的生成冻结步态智能监测系统的方法，其特征在于，所述将真实FOG时间序列矩阵c与预测时间序列矩阵对比对FOG预测模型进行验证的方法优选为：统计TP、FP、TN、FN的个数，计算预测模型的准确度、灵敏度和特异性，其中如果一个样本是FOG并且也被预测成non-FOG，即为真阳，如果样本是non-FOG被预测成FOG，称之为假阳；相应地，如果样本是non-FOG被预测成non-FOG，称之为真阴，FOG被预测成non-FOG则为假阴；
其中，所述准确性计算方法为：
其中，所述灵敏性计算方法为：
其中，所述特异性计算方法为：
7.根据权利要求3所述的生成冻结步态智能监测系统的方法，其特征在于，提取SCM中特征值数据的部分作为智能识别算法训练集之后，剩余特征值中的至少部分作为测试集，用于验证FOG预测模型的识别精度。
8.根据权利要求7所述的生成冻结步态智能监测系统的方法，其特征在于，采集FOG数据中，提取的是单个使用者的数据，所述建立FOG预测模型中，提取该使用者SCM中部分特征值数据作为智能识别算法训练集，提取SCM中剩余的至少部分特征值数据作为测试集，进行交叉验证。
9.根据权利要求7所述的生成冻结步态智能监测系统的方法，其特征在于，采集FOG数据中，提取的是多个使用者的数据，所述建立FOG预测模型中，提取部分使用者的SCM中的特征值数据作为智能识别算法训练集，提取其余使用者中的至少部分的SCM中的特征值数据作为测试集，进行交叉验证。更优选地，每次选取一个使用者的SCM中的特征值数据作为测试集，其他使用者的SCM中的特征值数据作为智能识别算法训练集。
10.根据权利要求2所述的生成冻结步态智能监测系统的方法，其特征在于，第i+1个子分类器的权重ai+1为：
其中，εi为第i个分类器的错误率，Di是归一化因子，其作用是使得εi为第i个分类器的错误率，m为采集到的加速度数据总量，m＝fs×t；fs为数据采集频率，t为数据采集时间。
CN201711431782.4A 2017-12-26 2017-12-26 一种生成冻结步态智能监测系统的方法 Active CN108309304B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711431782.4A CN108309304B (zh) 2017-12-26 2017-12-26 一种生成冻结步态智能监测系统的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711431782.4A CN108309304B (zh) 2017-12-26 2017-12-26 一种生成冻结步态智能监测系统的方法

Publications (2)

Publication Number Publication Date
CN108309304A true CN108309304A (zh) 2018-07-24
CN108309304B CN108309304B (zh) 2021-04-13

Family

ID=62892701

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711431782.4A Active CN108309304B (zh) 2017-12-26 2017-12-26 一种生成冻结步态智能监测系统的方法

Country Status (1)

Country Link
CN (1) CN108309304B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109528212A (zh) * 2018-12-29 2019-03-29 大连乾函科技有限公司 一种异常步态识别设备及方法
CN110638457A (zh) * 2019-08-26 2020-01-03 广东省人民医院(广东省医学科学院) 帕金森病患者冻结步态监测方法及监测设备
CN112617807A (zh) * 2020-12-31 2021-04-09 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
CN113633928A (zh) * 2021-09-22 2021-11-12 上海海压特智能科技有限公司 基于节律性视听觉刺激的步态康复训练系统及训练方法
CN114098714A (zh) * 2021-11-12 2022-03-01 深圳市臻络科技有限公司 基于机器视觉建立冻结步态识别模型的方法
CN114999001A (zh) * 2022-08-03 2022-09-02 首都医科大学附属北京友谊医院 用于预测冻结步态的方法、设备和计算机可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110166488A1 (en) * 2004-10-05 2011-07-07 The Circle For The Promotion Of Science And Engineering Walking aid system
US20130015969A1 (en) * 2011-07-12 2013-01-17 National Central University Rehabilitation-assisting apparatus
CN103417219A (zh) * 2013-09-11 2013-12-04 重庆大学 穿戴式人体跌倒检测装置
CN106913341A (zh) * 2017-03-22 2017-07-04 上海谦益生物科技有限公司 一种用于帕金森患者步态训练和监测评估的可穿戴设备、系统及方法
CN107330249A (zh) * 2017-06-09 2017-11-07 常州大学 一种基于kinect骨骼数据的帕金森病症计算机辅助判别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110166488A1 (en) * 2004-10-05 2011-07-07 The Circle For The Promotion Of Science And Engineering Walking aid system
US20130015969A1 (en) * 2011-07-12 2013-01-17 National Central University Rehabilitation-assisting apparatus
CN103417219A (zh) * 2013-09-11 2013-12-04 重庆大学 穿戴式人体跌倒检测装置
CN106913341A (zh) * 2017-03-22 2017-07-04 上海谦益生物科技有限公司 一种用于帕金森患者步态训练和监测评估的可穿戴设备、系统及方法
CN107330249A (zh) * 2017-06-09 2017-11-07 常州大学 一种基于kinect骨骼数据的帕金森病症计算机辅助判别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
K.WANG, 等: "A smartphone based system for freezing of gait monitoring for Parkinson"s disease patients", 《2017 IEEE 9TH INTERNATIONAL CONFERENCE ON COMMUNICATION SOFTWARE AND NETWORKS 》 *
K.WANG，等: "A smartphone based system for freezing of gait monitoring for Parkinson"s disease patients", 《2017 IEEE 9TH INTERNATIONAL CONFERENCE ON COMMUNICATION SOFTWARE AND NETWORKS》 *
WU Y ,等: "Local dynamic stability of the trunk segments and lower extremity joints during backward walking", 《2015 37TH ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY》 *
吴玺,等: "一种面向非平衡步态数据的帕金森病诊断方法", 《计算机工程与应用》 *
王金甲,等: "基于深度卷积神经网络的帕金森步态识别", 《中国生物医学工程学》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109528212A (zh) * 2018-12-29 2019-03-29 大连乾函科技有限公司 一种异常步态识别设备及方法
CN109528212B (zh) * 2018-12-29 2023-09-19 大连乾函科技有限公司 一种异常步态识别设备及方法
CN110638457A (zh) * 2019-08-26 2020-01-03 广东省人民医院(广东省医学科学院) 帕金森病患者冻结步态监测方法及监测设备
CN110638457B (zh) * 2019-08-26 2023-02-21 广东省人民医院(广东省医学科学院) 帕金森病患者冻结步态监测方法及监测设备
CN112617807A (zh) * 2020-12-31 2021-04-09 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
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
CN113633928A (zh) * 2021-09-22 2021-11-12 上海海压特智能科技有限公司 基于节律性视听觉刺激的步态康复训练系统及训练方法
CN114098714A (zh) * 2021-11-12 2022-03-01 深圳市臻络科技有限公司 基于机器视觉建立冻结步态识别模型的方法
CN114999001A (zh) * 2022-08-03 2022-09-02 首都医科大学附属北京友谊医院 用于预测冻结步态的方法、设备和计算机可读存储介质
CN114999001B (zh) * 2022-08-03 2022-10-18 首都医科大学附属北京友谊医院 用于预测冻结步态的方法、设备和计算机可读存储介质

Also Published As

Publication number Publication date
CN108309304B (zh) 2021-04-13

Similar Documents

Publication Publication Date Title
CN108309304A (zh) 一种生成冻结步态智能监测系统的方法
CN108309303A (zh) 一种可穿戴冻结步态智能监测与助行设备
Mannini et al. Activity recognition in youth using single accelerometer placed at wrist or ankle
EP3468450B1 (en) Method and system for analyzing human gait
Kwon et al. Unsupervised learning for human activity recognition using smartphone sensors
Xia et al. A dual-modal attention-enhanced deep learning network for quantification of Parkinson’s disease characteristics
Palmerini et al. Quantification of motor impairment in Parkinson's disease using an instrumented timed up and go test
CN108958482B (zh) 一种基于卷积神经网络的相似性动作识别装置及方法
US20210052196A1 (en) Method and system for gait detection of a person
CN108514421A (zh) 提升混合现实与日常健康监测的方法
Rastegari et al. A bag-of-words feature engineering approach for assessing health conditions using accelerometer data
Reinfelder et al. Timed Up-and-Go phase segmentation in Parkinson's disease patients using unobtrusive inertial sensors
CN108717548B (zh) 一种面向传感器动态增加的行为识别模型更新方法及系统
CN112263244A (zh) 基于步态的疲劳度评估系统及方法
CN109979595A (zh) 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
Kelly et al. An investigation into non-invasive physical activity recognition using smartphones
Kao et al. GA-SVM applied to the fall detection system
CN109805935A (zh) 一种基于人工智能分层分级运动识别方法的智能腰带
Permatasari et al. The MMUISD gait database and performance evaluation compared to public inertial sensor gait databases
Smith et al. Automatic Classification of Locomotion in Sport: A Case Study from Elite Netball.
Meng et al. A review of accelerometer-based physical activity measurement
Dehzangi et al. Activity detection using fusion of multi-pressure sensors in insoles
Lim et al. Gait analysis and classification on subjects with Parkinson’s disease
Mahajan et al. Using machine learning approaches to identify exercise activities from a triple-synchronous biomedical sensor
Sanchez-Casanova et al. Unsupervised and scalable low train pathology detection system based on neural networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant