CN110110633B - 一种基于机器学习的偏瘫步态自动识别和分析的方法 - Google Patents

一种基于机器学习的偏瘫步态自动识别和分析的方法 Download PDF

Info

Publication number
CN110110633B
CN110110633B CN201910347222.3A CN201910347222A CN110110633B CN 110110633 B CN110110633 B CN 110110633B CN 201910347222 A CN201910347222 A CN 201910347222A CN 110110633 B CN110110633 B CN 110110633B
Authority
CN
China
Prior art keywords
gait
feature
calculating
matrix
stride
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
Application number
CN201910347222.3A
Other languages
English (en)
Other versions
CN110110633A (zh
Inventor
王浩伦
刘凯
黄月姑
王新雨
时二宁
朱业安
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.)
East China Jiaotong University
Original Assignee
East China Jiaotong University
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 East China Jiaotong University filed Critical East China Jiaotong University
Priority to CN201910347222.3A priority Critical patent/CN110110633B/zh
Publication of CN110110633A publication Critical patent/CN110110633A/zh
Application granted granted Critical
Publication of CN110110633B publication Critical patent/CN110110633B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/23—Recognition of whole body movements, e.g. for sport training
    • G06V40/25—Recognition of walking or running movements, e.g. gait recognition

Abstract

一种基于机器学习的偏瘫步态自动识别和分析的方法，包括步态特征提取、步态特征识别、特征重要性排序、贝叶斯结果分类。具体步骤如下：（1）基于Kinect传感器捕获受试者骨骼节点的三维坐标位置；（2）通过欧氏距离算法与节段质心算法算出人体质心位置移动范围与步幅、步速等时空特征；（3）建立出由输入空间步态特征集与输出空间对应的标记的映射关系；（4）利用以信息增益为依据的模糊二元对比决策方法进行特征组合重要性排序；（5）模型性能分析。本发明方法可明显降低医生对患者病情程度的主观判断的出错率，并为临床康复医生提供辅助数据与评估结果。

Description

一种基于机器学习的偏瘫步态自动识别和分析的方法
技术领域
本发明涉及一种基于机器学习的偏瘫步态自动识别和分析的方法，属辅助临床诊断技术领域。
背景技术
步行障碍是偏瘫患者迫切需要恢复的功能障碍之一。在临床康复中，通过对偏瘫步态进行分析获取定量的步态信息，可为揭示异常步态原因、矫正异常步态、制定康复治疗计划以及评估康复干预效果提供依据。
大多数临床医生在对偏瘫患者的步态评估中采用的是主观观察和量表评分两种手段，但是带有个人主观差异性的观察评估在临床治疗中并不够可靠，而量表评分提供的关于患者日常运动能力的信息，也常被认为不客观以及对患者病情的改变评价不够敏感。因此，主观观察评估再辅以客观测量，才是提高步态评估可靠性和准确性的有效手段。
2011年清华大学曾研发出一种高速摄影机，其核心技术是在受试者骨骼节点处粘贴反光标志，通过红外摄像机采集反光标志物的位置，基于后期的图像处理提取动态的步态信息，但该方法需要复杂的图像处理工作，不利于推广。2018年7月济南大学的张勤等人发明了一种基于kinect的成人步态提取与异常分析方法,通过记录人体关节在三维空间中的位置坐标来提取步态特征，对关节在三维空间中的姿态变化进行了分析。但是该方法缺少对所得动力学特征和时空特征的结果处理，并未对特征中各变量的重要性进行排序，不便于病情诊断和康复方案的优化。因此寻找一种新的方法来提高医生对偏瘫步态的识别和分析的准确率是十分有必要的。
发明内容
本发的目的是，针对现有图像处理提取动态的步态信息方面存在的问题，本必明提出一种基于机器学习的偏瘫步态自动识别和分析的方法，从而实现偏瘫步态的自动识别。
本发明实现的技术方案如下，一种基于机器学习的偏瘫步态自动识别和分析的方法，步骤如下：
(1)受试者完成规定的范式动作，基于Kinect传感器捕获受试者骨骼节点的三维坐标位置；
(2)通过欧氏距离算法与节段质心算法算出人体质心位置移动范围与步幅、步速等时空特征；
(3)利用以贝叶斯分类算法为基学习器的集成学习算法训练实例数据集，建立出由输入空间步态特征集与输出空间对应的标记(偏瘫患者、健康老人、健康青年)的映射关系；
(4)利用以信息增益为依据的模糊二元对比决策方法进行特征组合重要性排序；
(5)模型性能分析。
Kinect追踪到的受试者步行状态下的骨骼标记点编号如表1所示。
表1标记点对应的骨骼节点
标记点 骨骼节点 标记点 骨骼节点 标记点 骨骼节点 标记点 骨骼节点
1 头 6 左肘 11 右腕 16 左脚
2 肩膀中心 7 左腕 12 右手 17 右髋关节
3 脊柱 8 左手 13 左髋关节 18 右膝
4 髋关节中心 9 右肩 14 左膝 19 右脚踝
5 左肩 10 右肘 15 左脚踝 20 右脚
人体质心位置移动范围可利用身体节段法测量。Kinect系统采集身体节段法所定义的所有身体节段的近端坐标和远端坐标，设置的节段如表2所示，表中的近端和远端标记点与前面所述标记点位置一致。
表2质心计算所需参数
Figure BDA0002042742950000031
所述实例数据集通过临床试验采集，所述实例数据集建立方法步骤如下：
(1)设置偏瘫患者试验组和健康青年，为对照组I；健康老年组为对照组II；在年龄、性别、身高、体重特征上实现全面覆盖各阶层的前提下，随机选取受试者，并且对照组I、对照组II没有其他任何运动障碍；
(2)采集数据过程中将Kinect摄像头调整为1.0m高，置于受试者的正前方5.5m处；
(3)受试者直线行走5m，每次试验走三次，每个受试者进行三次试验。
所述提取步幅作为步态时空特征的方法如下：
(1)去除Kinect捕捉的标记点坐标的粗误差；
(2)计算左脚踝(标记点15)和左脚(标记点16)的中心位置坐标，作为左足底坐标；计算右脚踝(标记点19)和右脚(标记点20)的中心位置坐标作为右足底坐标；
(3)以单侧足底坐标间的欧氏距离计算平均步幅。
所述提取步幅特征，通过计算左髋关节-左脚踝(标记点13-标记点15)节段和右髋关节-右脚踝(标记点17-标记点19)节段间的欧氏距离作为腿长，用腿长均值对步幅进行标准化。
身体节段质心位置的计算公式如下：
xcm＝xplp+xdld；ycm＝yplp+ydld；zcm＝zplp+zdld
式中，xcm，ycm，zcm节段质心坐标；xp，yp，zp是节段近端的坐标；xd，yd，zd是节段远端的坐标；lp是从近端到末端的节段长度的百分比；ld是从远端到末端的节段长度的百分比。
在特征提取子系统中计算人体质心位置按如下的公式：
Figure BDA0002042742950000041
式中xtcm，ytcm，ztcm为人体质心坐标；xi，yi是第i段的坐标；mi是第i段的质量；M是15个身体节段的总质量。
所述构建输入空间步态特征集与输出空间对应的标记(偏瘫患者、健康老人、健康青年)的映射关系具体算法如下：
(1)创建K个模型，通过对输入D进行有放回抽样，创建自助样本Di；D是d个训练元组的集合；
(2)构建决策树，特征空间实例数据集为：X＝{x1，x1，…xi，…，x60，}，未知标签的实例为x；
(3)每个实例由4个属性描述：xi＝{质心左右偏移距离，质心上下偏移距离，步幅，步速}；
(4)定义所有实例的标记的集合Y，即输出集合Yk(对应的三个组别)；
Yk∈{偏瘫患者组，健康老人组，健康青年组}，k＝1，2，3
(5)计算先验概率P(yk)和条件概率P(xi，d|yk)，计算公式如下：
Figure BDA0002042742950000051
式中，xi，d为第i个实例在第d个属性上的取值，i＝1，2，...，60，d＝1，2，3，4；
(6)对于给定的实例x，计算其后验概率，计算公式如下：
Figure BDA0002042742950000052
式中，xd为实例x在第d个属性上的取值；
(7)根据下面公式，获得从Di中学习得到的决策树N*
Figure BDA0002042742950000053
(8)重复进行m次，构建m棵决策树，获得组合分类器-随机森林，使用组合分类器对未知实例x分类并返回多数投票表决，得票最多即为最终识别结果。
所述特征组合重要性排序是利用以信息增益为依据的模糊二元对比决策方法实现；其步骤如下：
(1)计算各特征对数据集D的步态特征信息增益，将所有特征与步态类别之间的信息增益作为评价函数对特征的相对重要性进行评价；
(2)得到两个特征之间的二元对比，从而构建二元比较级矩阵；
(3)建立模糊相及矩阵，利用λ-截矩阵方法对所有特征对象进行排序，得到优先排序结果。
所述步态特征信息增益的计算方法如下：
(1)计算样本数据集D的经验熵H(D)，计算式如下：
Figure BDA0002042742950000061
其中，|D|表示样本个数；|Ck|表示属于第k各类Ck的样本个数；
(2)根据特征X的取值将D划分为n个子集D1，D2...Di,记子集Di中属于类别Ck的样本的集合为Dik；计算特征X对数据集D的经验条件熵H(D|X)，计算式如下：
Figure BDA0002042742950000062
(3)计算特征X对数据集D的信息增益，公式如下：
g(D,X)＝H(D)-H(D|X)。
所述构建二元比较级矩阵，将计算得到的特征xi和xj对数据集D的信息增益代入下式，得到两两特征之间的二元比较级矩阵：
Figure BDA0002042742950000071
其中，xixj∈U；
得到两两特征之间的二元比较级，从而建立二元相对比较矩阵：
Figure BDA0002042742950000072
(4)计算模糊相及矩阵，将fj(xi)，fi(xj)代入下式，计算得到模糊相及矩阵：
Figure BDA0002042742950000073
计算得到模糊优先比矩阵：
Figure BDA0002042742950000074
(5)利用λ-截矩阵方法对所有对象进行排序，得到优先排序结果：步速、步幅、质心左右移动、质心上下移动。
本发明在模型性能分析过程中，通过比较不同算法构建的模型预测偏瘫步态的正确率，如表3所示；得到本发明方法不仅实现简单、学习与预测效率高，其分类准确性在同类算法中也最高。
表3不同算法的分类准确性
Figure BDA0002042742950000081
比较不同步态特征组合对偏瘫步态的识别和分析，如表4所示；得出临床上对偏瘫步态障碍进行诊断分析和康复评估最应该先关注患者的步速，尤其值得注意的是步速和步幅、步速与质心左右移动距离的组合是偏瘫步态分析诊断的重要依据。
表4基于不同特征组合的分类准确率
Figure BDA0002042742950000082
本发明的有益效果是，本发明的偏瘫步态自动识别和分析的方法以获取患者的步态特征为基础，通过贝叶斯决策算法对所取参数进行建模，再根据随机森林算法对患者的步态特征进行重要性排序，最后根据贝叶斯决策边界得到不同特征组合的分类准确性得出最具有判断价值的特征组合。本发明方法可明显降低医生对患者病情程度的主观判断的出错率，并为临床康复医生提供辅助数据与评估结果。
附图说明
图1为本方法的具体实施方式示意图；
图2为贝叶斯决策边界图。
具体实施方式
本发明的具体实施方式如图1所示。
本实施例旨在利用深度图像获取受试者行走时步行轨迹数据，在此基础上利用以贝叶斯为基学习器的集成学习算法和以信息增益为依据的模糊二元对比决策方法对采集数据进行分类与排序，得到不同参数组合下正常人以及偏瘫患者的步态特征范围和重要度排序，为临床康复医生分析提供辅助数据与评估结果。
本实施例是基于Kinect来提取受试者行走的步行轨迹数据，临床试验于室内进行。由于Kinect测量精度的限制，实验的有效试验范围设为1.5m-4.5m，且分辨率会随被测距离的增加略有降低。
试验时，受试者需完成规定的范式动作，单次直对Kinect捕获器行走5米。为减少实验误差，一次实验走三次，重复进行三次。实验过程中共采集20名正常人，20名老年人，20名偏瘫患者60组数据，每组数据包含受试者骨骼节点的实时三维坐标行走数据。
(a)在步态特特征提取过程中：
首先设置一组由偏瘫障碍患者组成的试验组，以及分别由健康青年和健康老年组成的对照I、II。用Kinect传感器采集受试者骨骼节点的三维空间坐标，并对得到的骨骼节点进行编号。每个标记点对应的骨骼节点如表1所示。
然后通过身体节段法处理捕获的人体骨骼标记点数据，利用采集到的标记点位置计算出每个节段的质心位置，然后利用各节段质心位置来计算人体质心位置，由此得到受试者在行走过程中人体质心的左右偏移范围和上下偏移范围。
再利用单侧足底坐标间的欧氏距离来计算平均步幅；之后通过计算节段13-15(左髋关节-左脚踝)和17-19(右髋关节-右脚踝)间的欧氏距离，得到受试者的腿长数据，并用腿长均值对步幅进行标准化；
最后利用下式计算求得步速v；
Figure BDA0002042742950000101
其中x是步幅，单位为米；T是步行周期，单位为秒。
(b)在步态模式识别过程中，以贝叶斯算法为基学习器的集成学习算法对实例特征进行分类识别
本实施例以贝叶斯算法为基学习器的集成学习算法的分类识别拟输入D：d个训练元组的集合；m:组合分类器中的模型元素，具体计算步骤如下：
①创建K个模型。通过对D进行有放回抽样，创建自助样本Di。
②利用贝叶斯算法构建决策树：特征空间实例数据集：X＝{x1，x1，…xi，…，x60，}，未知标签的实例定义为x。
③每个实例由4个属性描述：xi＝{质心左右偏移距离，质心上下偏移距离，步幅，步速}。
④定义所有实例的标记的集合Y，即输出集合Yk。
Yk∈{偏瘫患者组，健康老人组，健康青年组}，k＝1,2,3。
⑤计算先验概率P(yk)和条件概率P(xi，d|yk),计算公式如下
Figure BDA0002042742950000111
式中xi，d为第i个实例在第d个属性上的取值，i＝1，2，...，60，d＝1，2，3，4。
⑥对于给定的实例x,计算其后验概率，计算公式如下：
Figure BDA0002042742950000112
式中xd为实例x在第d个属性上的取值。
⑦根据公式(如下)，获得从Di中学习得到的决策树N*；
Figure BDA0002042742950000113
⑧重复进行m次，构建m棵决策树，获得组合分类器——随机森林，使用组合分类器对未知实例x分类并返回多数投票表决，得票最多即为最终识别结果。
(c)在特征重要性排序过程中：
通过计算特征的信息增益，可实现两个特征之间的二元对比，从而建立二元比较级矩阵，建立的步骤可归纳为以下步骤：
①设论域U＝{步幅，步速，质心上下移动，质心左右移动}，A＝“最重要的模糊特征”是U上的一个模糊集。
②将计算得到的特征xi和xj对数据集D的信息增益g(D,xi),g(D,xj)代入下式：
Figure BDA0002042742950000121
得到两两特征之间的二元比较级，从而建立二元相对比较矩阵：
Figure BDA0002042742950000122
③将fj(xi),fi(xj)代入下式：
Figure BDA0002042742950000123
计算得到模糊优先比矩阵：
Figure BDA0002042742950000124
④利用λ-截矩阵方法对所有对象进行排序，得到优先排序结果：步幅、步速、质心左右移动、质心上下移动。
(d)在模型性能分析过程中：
①本实施例按7:3的比例将样本数据集分成训练集和测试集，样本数据集如表5所示，利用训练集训练了贝叶斯分类模型，然后用模型对测试样本进行预测，从而对模型的分类准确性进行检验，准确率的计算公式为：
Figure BDA0002042742950000131
式中的yi是实例的真实标签，f(xi)是预测标签，N是实例数量，I是指示函数，即当yi＝f(xi)时为1，否则为0。
表5样本数据集
Figure BDA0002042742950000132
利用全部特征进行训练的贝叶斯分类模型有96％的分类准确率。
基于不同特征组合训练的模型的分类准确性如表4，可以看出包含了步速特征的分类模型具有较高准确率，可以作为最佳的分类子特征，步速与步幅、步速与质心左右移动距离的组合是偏瘫步态分析诊断的重要依据。各类之间的贝叶斯决策边界如图2所示，其中不同的背景色代表不同的决策界限，这些界限可以在临床实践中用于将来访者划分到合适类别，尤其是在诊断指标不足的情况下做出初步诊断。图2左上图为步速与质心左右偏移距离参数组合对应的偏瘫组，健康老年组，健康青年组，在经过测试组与其他各组的比较，从而得出质心左右偏移距离的参数的分类准确率；左下图为步速与质心上下偏移参数组合对应的偏瘫组，健康老年组，健康青年组与测试组，在经过测试组与其他各组的比较，从而得出质心上下偏移参数组合的分类准确率；右上图为步幅与质心上下偏移参数组合对应的偏瘫组，健康老年组，健康青年组与测试组，在经过测试组与其他各组的比较，从而得出质心上下偏移参数组合的分类准确率；右下图为分别步速和步幅两个步态参数组合对应的分类模型准确率，相互间比较最终得出准确率最高的步态参数组合。
②针对本方法采集的数据集，我们验证了不同分类算法的分类效果，结果如表3，相比其他算法而言，贝叶斯分类算法实现简单、学习与预测效率高，分类准确率在同类算法中也最高。

Claims (7)

1.一种基于机器学习的偏瘫步态自动识别和分析的方法，其特征在于，所述方法步骤如下：
(1)受试者完成规定的范式动作，基于Kinect传感器捕获受试者骨骼节点的三维坐标位置；
(2)通过欧氏距离算法与节段质心算法算出人体质心位置移动范围与步幅、步速时空特征；
(3)建立出由输入空间步态特征集与输出空间对应的标记的映射关系；
(4)利用以信息增益为依据的模糊二元对比决策方法进行特征组合重要性排序；
(5)模型性能分析；
构建输入空间步态特征集与输出空间对应的标记的映射关系具体算法如下：
(1)创建K个模型，通过对输入D进行有放回抽样，创建自助样本Di；
(2)构建决策树，特征空间实例数据集为：X＝{x1，x1，…xi，…，x60，}，未知标签的实例为x；
(3)每个实例由4个属性描述：xi＝{质心左右偏移距离，质心上下偏移距离，步幅，步速}；
(4)定义所有实例的标记的集合Y，即输出集合；
Yk∈{偏瘫患者组，健康老人组，健康青年组}，k＝1，2，3
(5)计算先验概率P(yk)和条件概率P(xi，d|yk)，计算公式如下：
Figure FDA0003514586540000021
式中，xi，d为第i个实例在第d个属性上的取值，i＝1，2，...，60，d＝1，2，3，4；
(6)对于给定的实例x，计算其后验概率，计算公式如下：
Figure FDA0003514586540000022
式中，xd为实例x在第d个属性上的取值；
(7)根据下面公式，获得从Di中学习得到的决策树N*
Figure FDA0003514586540000023
(8)重复进行m次，构建m棵决策树，获得组合分类器—随机森林，使用组合分类器对未知实例x分类并返回多数投票表决，得票最多即为最终识别结果；
所述特征组合重要性排序是利用以信息增益为依据的模糊二元对比决策方法实现；其步骤如下：
(1)计算各特征对数据集D的步态特征信息增益，将所有特征与步态类别之间的信息增益作为评价函数对特征的相对重要性进行评价；
(2)得到两个特征之间的二元对比，从而构建二元比较级矩阵；
(3)建立模糊相及矩阵，利用λ-截矩阵方法对所有特征对象进行排序，得到优先排序结果。
2.根据权利要求1所述的一种基于机器学习的偏瘫步态自动识别和分析的方法，其特征在于，实例数据集通过临床试验采集，实例数据集建立方法步骤如下：
(1)设置偏瘫患者试验组和健康青年，为对照组I；健康老年组为对照组II；在年龄、性别、身高、体重特征上实现全面覆盖各阶层的前提下，随机选取受试者，并且对照组I、对照组II没有其他任何运动障碍；
(2)采集数据过程中将Kinect摄像头调整为1.0m高，置于受试者的正前方5.5m处；
(3)受试者直线行走5m，每次试验走三次，每个受试者进行三次试验。
3.根据权利要求1所述的一种基于机器学习的偏瘫步态自动识别和分析的方法，其特征在于，提取步幅作为步态时空特征的方法如下：
(1)去除Kinect捕捉的标记点坐标的粗误差；
(2)计算左脚踝和左脚的中心位置坐标，作为左足底坐标；计算右脚踝和右脚的中心位置坐标作为右足底坐标；
(3)以单侧足底坐标间的欧氏距离计算平均步幅。
4.根据权利要求1所述的一种基于机器学习的偏瘫步态自动识别和分析的方法，其特征在于，提取步幅特征，通过计算左髋关节-左脚踝节段和右髋关节-右脚踝节段间的欧氏距离作为腿长，用腿长均值对步幅进行标准化。
5.根据权利要求1所述的一种基于机器学习的偏瘫步态自动识别和分析的方法，其特征在于，所述步态特征信息增益的计算方法如下：
(1)计算样本数据集D的经验熵H(D)，计算式如下：
Figure FDA0003514586540000031
其中，|D|表示样本个数；|Ck|表示属于第k各类Ck的样本个数；
(2)根据特征X的取值将D划分为n个子集D1，D2...Di,记子集Di中属于类别Ck的样本的集合为Dik；计算特征X对数据集D的经验条件熵H(D|X)，计算式如下：
Figure FDA0003514586540000041
(3)计算特征X对数据集D的信息增益，公式如下：
g(D,X)＝H(D)-H(D|X)。
6.根据权利要求1所述的一种基于机器学习的偏瘫步态自动识别和分析的方法，其特征在于，所述构建二元比较级矩阵，将计算得到的特征xi和xj对数据集D的信息增益代入下式，得到两两特征之间的二元比较级矩阵：
Figure FDA0003514586540000042
其中，xiyj∈U，U为论域。
7.根据权利要求1所述的一种基于机器学习的偏瘫步态自动识别和分析的方法，其特征在于，所述模糊相及矩阵，将fj(xi),fi(xj)代入下式，计算得到模糊相及矩阵：
Figure FDA0003514586540000043
利用λ-截矩阵方法对矩阵中所有特征对象进行排序，得到优先排序结果。
CN201910347222.3A 2019-04-28 2019-04-28 一种基于机器学习的偏瘫步态自动识别和分析的方法 Active CN110110633B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910347222.3A CN110110633B (zh) 2019-04-28 2019-04-28 一种基于机器学习的偏瘫步态自动识别和分析的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910347222.3A CN110110633B (zh) 2019-04-28 2019-04-28 一种基于机器学习的偏瘫步态自动识别和分析的方法

Publications (2)

Publication Number Publication Date
CN110110633A CN110110633A (zh) 2019-08-09
CN110110633B true CN110110633B (zh) 2022-05-13

Family

ID=67486942

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910347222.3A Active CN110110633B (zh) 2019-04-28 2019-04-28 一种基于机器学习的偏瘫步态自动识别和分析的方法

Country Status (1)

Country Link
CN (1) CN110110633B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111079651A (zh) * 2019-12-17 2020-04-28 河南水滴智能技术有限公司 一种步态分类方法的再优化
CN111539327B (zh) * 2020-04-23 2023-08-18 四川大学华西医院 基于步态信息的轻度认知障碍识别方法及设备
CN111967366B (zh) * 2020-08-12 2022-10-21 华中科技大学鄂州工业技术研究院 一种对腿部患者的康复状况进行评测的方法及助行机器人
CN112733422A (zh) * 2020-12-01 2021-04-30 天津理工大学 一种基于高斯过程回归的柔性外骨骼最优助力预测方法
CN112472531A (zh) * 2020-12-17 2021-03-12 大连理工大学 面向医疗复健和助力行走的下肢外骨骼机器人步态平稳算法
CN113367688B (zh) * 2021-04-28 2023-06-20 北京理工大学 基于人体静电步态和tof摄像机的偏瘫评级系统
CN113176769B (zh) * 2021-06-29 2021-09-03 浙江大胜达包装股份有限公司 基于用途需求数据模型的瓦楞纸工艺控制优化方法和系统
CN117011944B (zh) * 2023-09-08 2024-03-22 南京特殊教育师范学院 基于深度学习的步态识别矫治方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10024660B2 (en) * 2012-08-27 2018-07-17 Universite Du Quebec A Chicoutimi Method to determine physical properties of the ground
CN107291739A (zh) * 2016-03-31 2017-10-24 阿里巴巴集团控股有限公司 网络用户健康状况的评价方法、系统及设备
CN109670435B (zh) * 2018-12-13 2022-12-13 深圳市信义科技有限公司 一种基于人体步态特征对身份进行识别的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于Kinect和确定学习的步态识别;刘凤琳等;《龙岩学院学报》;20160503(第02期);第67-74页 *

Also Published As

Publication number Publication date
CN110110633A (zh) 2019-08-09

Similar Documents

Publication Publication Date Title
CN110110633B (zh) 一种基于机器学习的偏瘫步态自动识别和分析的方法
Yoo et al. Gender classification in human gait using support vector machine
Lu et al. Vision-based estimation of MDS-UPDRS gait scores for assessing Parkinson’s disease motor severity
Dolatabadi et al. An automated classification of pathological gait using unobtrusive sensing technology
Lakany Extracting a diagnostic gait signature
CN109815858B (zh) 一种日常环境中的目标用户步态识别系统及方法
Sethi et al. A comprehensive survey on gait analysis: History, parameters, approaches, pose estimation, and future work
Houmanfar et al. Movement analysis of rehabilitation exercises: Distance metrics for measuring patient progress
CN106295544B (zh) 一种基于Kinect的视角不变性步态识别方法
CN110755085B (zh) 基于关节活动度与运动协调性的运动功能评估方法及设备
Köktaş et al. A multi-classifier for grading knee osteoarthritis using gait analysis
CN114358194A (zh) 基于姿态跟踪的孤独症谱系障碍异常肢体行为检测方法
Zhang et al. Pathological gait detection of Parkinson's disease using sparse representation
Guo et al. MCDCD: Multi-source unsupervised domain adaptation for abnormal human gait detection
Ye et al. Distinct feature extraction for video-based gait phase classification
Eskofier et al. Pattern classification of foot strike type using body worn accelerometers
Wang et al. Assessment of gait characteristics in total knee arthroplasty patients using a hierarchical partial least squares method
Chang et al. An automated form of video image analysis applied to classification of movement disorders
CN116999057A (zh) 基于穿戴式传感器的偏瘫步态识别及偏瘫步态评估方法
Xu et al. A model for medical diagnosis based on plantar pressure
Gaud et al. Human gait analysis and activity recognition: A review
Pan et al. Evaluation of hemiplegic gait based on plantar pressure and inertial sensors
Chikano et al. Person matching technology using gait information of 2D pose estimation
Dentamaro et al. Real-time neurodegenerative disease video classification with severity prediction
Khokhlova et al. Kinematic covariance based abnormal gait detection

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