CN110916984B - 一种预防冻结步态的穿戴设备及其实现方法 - Google Patents

Abstract

本发明公开了一种预防冻结步态(FOG)的穿戴设备及其实现方法，可以准确监测患者每一步的步态及平衡状况，通过提取患者在发生FOG之前的病理步态特征，构建基于机器学习的个性化FOG预测模型，在FOG即将发生之前实现时延低于1秒的对FOG快速并及时的预测判断。结合设备提供的激光视觉助行功能，以视觉引导方式在患者发生FOG之前实施有效及时的干预，阻断FOG发生之前的累积效应，及时改善患者步态稳定性和平衡。实现提前干预达到预防冻结步态发生的效果，从而有效降低患者跌倒的风险。

Description

一种预防冻结步态的穿戴设备及其实现方法

技术领域

本发明涉及一种预防冻结步态的穿戴设备及其实现方法。

背景技术

冻结步态(FOG)是帕金森病(PD)的常见症状之一，多发于PD的中后期。FOG表现为高度的步态障碍，是一种在有意识行走时发生的短暂的，偶发性的无法产生有效步伐的症状，常发生于起步、转身、通过狭窄空间、处于压力状态下的时候。冻结步态容易造成患者跌倒，大幅降低了患者的生活质量。

临床上主要通过莱沃多帕和左旋多巴胺对PD患者的运动障碍进行治疗。但是随着疾病程度的加深，药物疗效逐渐变差，难以帮助患者维持正常的生活运动。因此近几年研究主要集中于通过物理治疗来帮助患者减轻FOG症状。研究发现，利用激光进行干预可以减少患者冻结的持续时间。这些研究利用FOG识别技术，当识别到FOG发生时，启动设备发出激光线，投射到患者行进路面上，帮助患者缩短冻结步态持续时间。该项技术成为了FOG物理治疗的新手段。

中国专利CN108629304A记载了一种用于帕金森患者的在线FOG识别方法，该方法基于患者大腿，小腿，及足底的离线步态信号，建立患者离线步态样本集。通过朴素贝叶斯分类器和在线步态数据，得到在线正常步态和在线冻结步态的概率，从而识别正在发生的FOG。中国专利CN108309303A记载了一种可穿戴冻结步态智能监测与助行设备，该助行设备采集患者步行中的腰部加速度信号，通过机器学习算法识别正在发生的FOG，然后触发激光，以视觉刺激来弥补患者本体感觉缺陷，缓解FOG症状。中国专利CN108309304A提出了一种高准确率FOG智能识别与分类算法，该算法基于FOG发生时的频域特点，对正在发生的FOG进行识别，据此进行后续的干预。

上述专利所公开的激光助行设备，均通过提取FOG发生过程中的步态信号特点来识别FOG，辅助激光从而缓解FOG症状。这种基于对FOG发生过程中的步态信号特点进行FOG检测，无法实现真正的FOG预测，即无法实现在FOG发生之前及时启动激光助行等有效干预手段，难以达到预防与避免FOG发生的效果。在实际应用中，由于激光助行干预是在FOG发生后才开启，对一些患者而言，因为干预时间较晚，FOG症状的改善效果有限。

有临床研究发现FOG不是瞬间的变化，而是由一系列步态障碍的累积效应导致的。例如，在FOG发生前存在一定的过渡期(pre-FOG)，期间步频显著的增加，步态节律性和平衡性显著下降等。因此，通过识别FOG发生前的步态异常，可在FOG发生前实现FOG的预测，及时采取提前干预措施，为患者提供更多时间进行步态调整，从而帮助患者预防与避免FOG的发生，大大降低患者跌倒的风险。

综上所述，目前尚未见有关预防冻结步态的可穿戴设备。因此，本发明旨在提供一种通过提前预测并实施提前干预FOG的可穿戴设备。通过监测和提取患者在FOG发生之前的步态与平衡特征，利用嵌入的基于机器学习的FOG预测模型，实现在FOG发生之前，对即将可能发生的FOG进行准确预测和判断，从而快速而及时地启动激光干预，阻断患者步态障碍的累积效应，提高其步态稳定性，达到预防患者FOG发生的效果，有效降低患者跌倒发生的风险。

发明内容

本发明的目的是克服现有技术的缺陷，提供一种预防冻结步态的穿戴设备，可以准确监测患者每一步的步态及平衡状况，通过提取患者在发生FOG之前的病理步态特征，构建基于机器学习的个性化的FOG预测模型。在FOG即将发生之前，实现时延低于1秒的对FOG快速与及时的预测判断。结合设备提供的激光视觉助行功能，以视觉引导方式在患者发生FOG之前实施有效及时的干预，阻断FOG发生之前步态障碍的累积效应，及时改善患者步态稳定性和平衡。实现提前干预，达到预防与避免FOG的发生，从而有效降低患者跌倒发生的风险。

本发明的另外一个目的是提供一种预防冻结步态的穿戴设备的实现方法。

实现上述目的一种技术方案是：一种预防冻结步态的穿戴设备，包括加速度传感器、数据存储SD卡、微控制器和激光发射装置，所述加速度传感器佩戴于患者的腰部，所述加速度传感器采集患者行走过程中的加速度信号，并将加速度信号实时传输至所述微控制器；所述微控制器接收的加速度信号记录在所述数据存储SD卡上；所述微控制器对步态特征参数进行计算和监控，同时具有基于机器学习的FOG预测功能。当步态特征参数变差，FOG预测判断为阳性时即患者处在FOG过渡期(pre-FOG)阶段时，所述微控制器控制所述激光发射装置发射激光，帮助患者调整步态，从而预防与避免FOG的发生。

本发明还提供了一种预防冻结步态的穿戴设备的实现方法，包括以下步骤：

S1，步行加速度信号的采集和时间标定：获得患者在行走过程中X、Y、Z三轴方向的加速度信号。根据实验录像判断患者行走情况，得到FOG发生和结束的时间点，将采集到的患者三轴加速度按照该时间点标定FOG发生和结束时间，作为FOG阶段和非FOG阶段的判断依据；所用加速度信号采集的为患者步行过程中腰部的加速度，采样频率为100Hz；

根据实验录像判断患者行走情况，得到FOG发生和结束的时间点，将采集到的患者步行过程中的X、Y、Z三轴加速度按照时间点标定FOG发生和结束时间，作为FOG阶段和非FOG阶段的判断依据；

S2，步行加速度信号的预处理：将非FOG阶段的步行加速度信号进行低通滤波，利用4阶巴特沃斯模型，以15Hz为截止频率滤波，将滤波后的信号划分为连续的单步，其中每一步的划分通过求取步行加速度信号在垂直方向上的极值点进行划分；局部极大值为脚着地的时间，两次脚着地的时刻为一个单步的起始和结束；

S3，步态特征的提取：步行加速度信号被划分为连续单步后，每两个连续的单步即形成一个跨步，所有的步态特征均在每个跨步上进行提取，并构建特征矩阵SCM；

S4，pre-FOG的标注：选取患者相邻跨步之间单个步态特征的变化幅度，进行pre-FOG的定义及标定，标定原则如下：

计算每次FOG发生之前到FOG发生的每个跨步的步频，记为feature(i),其中i为每个跨步；

计算相邻跨步之间的步频差异性slope(i)＝0.5*(feature(i+1)-feature(i-1))，设定pre-FOG的阈值；

pre-FOG的开始阶段则为slope第一次高于阈值的跨步一直到FOG的发生，并按照对应的窗口给提取的SCM特征矩阵进行标注，pre-FOG标注为1，其余非FOG阶段提取的特征标注为正常行走阶段，记为0，并构建标签特征矩阵LFM；

S5，FOG预测模型的训练及验证：利用机器学习算法，将标注好pre-FOG和正常步态的标签特征矩阵LFM分为训练集和测试集进行FOG预测模型的搭建和验证；评估FOG预测模型的有效性；

S6，将FOG预测模型植入所述微控制器中。

上述的一种预防冻结步态的穿戴设备的实现方法，步骤S3中，所有的步态特征包括步频、AP方向步态变异性、AP方向步态稳定性、VT方向加速度变异性和VT方向冻结指数，所述特征矩阵SCM为五维矩阵。

上述的一种预防冻结步态的穿戴设备的实现方法，步骤S4中，选用为pre-FOG标定的步态特征为步频，对于选定患者的所有FOG，都能得到一个步频序列，并计算出一组slope时序序列用于进行pre-FOG长度的计算，以及定义该患者的pre-FOG阶段，并进行标记。

上述的一种预防冻结步态的穿戴设备的实现方法，设定pre-FOG的阈值为0.05，对于任一次FOG，当slope开始超过阈值起，一直到FOG发生，定义为pre-FOG；对于同一个患者的所有FOG得到多个pre-FOG的长度；

采用所有获得的pre-FOG长度中出现频率最高的那个的pre-FOG长度来定义该患者的pre-FOG，并用该pre-FOG长度来给SCM中的每个窗口的特征进行标注。

上述的一种预防冻结步态的穿戴设备的实现方法，步骤S5中，所述FOG预测模型使用AdaBoostC4.5集成分类器，包括N个C4.5决策树子分类器，每个子分类器均进行是否发生FOG的预测，最终将每个分类器的结果集成，得到Y：

其中，N为＞1的自然数，i为1至N的自然数；a_i为第i个子分类器权重，f_i(x_j)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，该时刻处于pre-FOG，短时间内将发生FOG；若Y＜0，则FOG预测模型的最终预测值为-1，该时刻为正常行走，即短时间内不会发生FOG。

上述的一种预防冻结步态的穿戴设备的实现方法，步骤S5中，验证FOG预测模型的预测精度的方法为：

标签特征矩阵LFM中，每个窗口有一个对应的是否处于pre-FOG与否的预测值，从而获得判定的pre-FOG时间序列矩阵y1。将真实pre-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；

上述的一种预防冻结步态的穿戴设备的实现方法，步骤S5中，评估FOG预测模型的方法为：统计真阳、假阳、真阴和假阴的个数，计算预测模型的准确度、灵敏度和特异性，同时计算预测FOG的时延。

上述的一种预防冻结步态的穿戴设备的实现方法，步骤S5中，采用个性化模型验证：将构建的标签特征矩阵LFM的70％作为训练集，剩余30％作为测试集，用于验证FOG预测模型的精度；

上述的一种预防冻结步态的穿戴设备的实现方法，步骤S5中，验证FOG预测模型的鲁棒性和人群适用性，采用普适型模型验证：提取单个患者的数据作为测试集，其余患者的数据作为训练集，搭建预测模型，并进行留一法交叉验证。

采用本发明的预防冻结步态的穿戴设备及其实现方法的技术方案，可以解决现行可穿戴智能激光助行设备存在的缺陷，可以准确监督患者每一步的步态及平衡状况，在FOG即将发生之前，通过捕获患者平衡下降，步频上升等特点，实现FOG时延低于1秒的预测，快速及时启动激光视觉提示干预，帮助患者在激光视觉引导下，阻断其步态障碍的累积效应，达到预防或解除FOG的效果，从而有效降低患者跌倒发生的风险。因此，本发明既能实现患者步态及平衡能力的监测，又可以实现FOG的低时延预测，结合激光视觉提示的干预方法，有效预防患者冻结步态的发生，为临床治疗提供了一种新途径。

本发明的预防冻结步态的穿戴设备及其实现方法，与现有技术相比的有益效果体现在：

(1)本发明通过提取患者的步态特征，实时监督步态变化。通过步态特征变化自动识别正常步态到FOG的过渡期pre-FOG，实现FOG的低时延预测；

(2)本发明可以准确的在FOG发生前预测FOG的发生，并且模型具有较好的鲁棒性。对患者个性化FOG预测的准确性、灵敏性和特异性分别达到了82.7％、83.8％、82.1％；

(3)本发明可以在FOG发生前短时间内预测FOG的发生，模型具有低时延性。对患者个性化FOG预测的时延为0.93秒。

(4)本发明针对FOG这一特殊的步态障碍症状，开发了FOG预测算法和预防干预设备。相比于以往基于FOG发生过程中的步态信号特征对正在发生的FOG进行识别和干预的方法，由于实现了在FOG发生前的提前干预，阻断了患者步态障碍的累积效应，为患者提供更多时间进行步态调整，从而帮助患者预防与避免FOG的发生，大大降低患者跌的风险。

附图说明

图1为本发明的一种预防冻结步态的穿戴设备的结构示意图；

图2为本发明的一种预防冻结步态的穿戴设备的实现方法的流程图；

图3为pre-FOG长度计算图。

具体实施方式

为了使本技术领域的技术人员能更好地理解本发明的技术方案，下面结合附图对其具体实施方式进行详细地说明：

请参阅图1，本发明的实施例，一种预防冻结步态的穿戴设备，包括加速度传感器1、数据存储SD卡2、微控制器3和激光发射装置4。加速度传感器1佩戴于患者的腰部，加速度传感器1采集患者行走过程中的加速度信号，并将加速度信号实时传输至微控制器3；微控制器3接收的加速度信号记录在数据存储SD卡2上；微控制器3对步态特征参数进行计算和监控，当步态特征参数变差，进入pre-FOG阶段时，微控制器3控制激光发射装置4发射激光，帮助患者调整步态，从而预防与避免FOG的发生。

实施例1：

请参阅图2和图3，本发明还提供了一种预防冻结步态的穿戴设备的实现方法，包括以下步骤：

S1，步行加速度信号的采集：获得患者在行走过程中X、Y、Z三轴方向的加速度信号。根据实验录像判断患者行走情况，得到FOG发生和结束的时间点，将采集到的患者三轴加速度按照该时间点标定FOG发生和结束时间，作为FOG阶段和非FOG阶段的判断依据；所用加速度信号采集的为患者步行过程中腰部的加速度，采样频率fs为100Hz；因为本发明的预防冻结步态的穿戴设备主要功能是通过识别FOG过渡期以实现FOG的低时延预测，因此利用非FOG发生阶段的步行信号进行分析。

S2，步行加速度信号的预处理：将非FOG阶段的步行加速度信号进行低通滤波，利用4阶巴特沃斯模型，以15Hz为截止频率滤波。通过求取步行加速度信号在垂直方向上的极值点，对滤波后的信号进行划分；局部极大值为脚着地的时间，两次脚着地的时刻为一个单步的起始和结束；

S3，步态特征的提取：步行加速度信号被划分为连续单步后，每两个连续的单步即形成一个跨步，所有的步态特征均在每个跨步上进行提取，并构建特征矩阵SCM；

S4，pre-FOG的标注：选取患者相邻跨步之间单个步态特征的变化的幅度，进行pre-FOG的定义及标定，标定原则如下：

计算每次FOG发生之前到FOG发生的每个跨步的步频，记为feature(i),其中i为每个跨步；

计算相邻跨步之间的步频差异性slope(i)＝0.5*(feature(i+1)-feature(i-1))，设定pre-FOG的阈值；

pre-FOG的开始阶段则为slope第一次高于阈值的跨步一直到FOG的发生，并按照对应的窗口给提取的SCM特征矩阵进行标注，pre-FOG标注为1，其余非FOG阶段提取的特征，标注为正常行走阶段记为0，并构建标签特征矩阵LFM(labeled feature matrix)；

S5，FOG预测模型的训练及验证：利用机器学习算法，将标注好pre-FOG和正常步态标签的特征矩阵(LFM)分为训练集和测试集，进行FOG预测模型的搭建和验证；评估FOG预测模型的有效性；个性化模型的训练及验证；

S6，将FOG预测模型移植到微控制器，用于实时监测患者步态，实现冻结步态的预测。

本发明的一种预防冻结步态的穿戴设备的实现方法，步骤S3中，所有的步态特征包括步频、AP方向步态变异性、AP方向步态稳定性、VT方向加速度变异性和VT方向冻结指数，特征矩阵SCM为五维矩阵。其中：

(1)步频cadence：因为研究发现，在FOG发生前，患者具有步频加快的表现，因此提取步频作为预测FOG的参数。步频为一分钟内行走的总单步数。

(2)AP方向步态变异性variability：研究表明，在FOG发生之前，患者的步态变异性加大，因此步态变异性也可以作为预测FOG的特征。AP方向步态变异性计算方法为VT方向加速度信号功率谱主谐波的宽度；

(3)AP方向步态稳定性HR：通过谐波比(HR)参数表征步态稳定性。谐波比的计算是基于连续的步行测试过程，测量的单位是跨步(两步)。因此，稳定有节奏的步行模式应该是在给定的任意一个跨步内有重复两次的加速模式。

这个参数的计算涉及使用步幅频率作为基波分量来计算AP方向上的加速度信号的谐波含量，其算式是AP方向前十个奇数谐波和与前十个偶数谐波和之比。

(4)VT方向加速度变异性variance：加速度信号标准差的平方。

variance＝(SD(acceleration_VT))

(5)VT方向冻结指数K：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。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。

其中，frequency为VT方向加速度频率变量，magnitude(frequency)为频率变量对应的能量值。

SCM为五维矩阵。

其中，第一到五行分别为不同的从每个窗口内提取的特征值，第一行为步频，第二行为AP方向步态变异性，第三行为AP方向步态稳定性，第四行为VT方向加速度变异性，第五行为VT方向冻结指数。

本发明的一种预防冻结步态的穿戴设备的实现方法，步骤S4中，选用为pre-FOG标定的步态特征为步频，得到的slope时序序列为：

其中第一行为一患者的某次FOG发生前的cadence序列，第二行为按照slope计算公式得到的slope的序列。对于该患者的所有FOG，都能得到一个cadence序列，并计算出一组slope的时序序列用于进行pre-FOG长度的计算，并定义该患者的pre-FOG阶段，并进行标记。

设定pre-FOG的阈值为0.05。对于任一次FOG，当slope开始超过阈值起，一直到FOG发生，定义为pre-FOG；对于同一个患者的所有FOG得到多个pre-FOG的长度；

采用所有获得的pre-FOG长度中出现频率最高的那个的pre-FOG长度来定义该患者的pre-FOG，并用该pre-FOG长度来给SCM中的每个窗口的特征进行标注。

加上阈值后得到的标注矩阵为LFM:

例如：pre-FOG长度为6，即在FOG发生前6个单步开始进入pre-FOG，则所获LSM矩阵如下：

本发明的一种预防冻结步态的穿戴设备的实现方法，步骤S5中，FOG预测模型使用AdaBoostC4.5集成分类器，包括N个C4.5决策树子分类器，每个子分类器均进行是否发生FOG的预测，最终将每个分类器的结果集成，得到Y：

其中，N为＞1的自然数，i为1至N的自然数；a_i为第i个子分类器权重，f_i(x_j)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，该时刻处于pre-FOG，短时间内将发生FOG；若Y＜0，则FOG预测模型的最终预测值为-1，该时刻为正常行走，即短时间内不会发生FOG。

初始权重a₁＝1/m，其中m为采集到的加速度数据总量，m＝fs×t，fs为采样频率，t为跨步时间。子分类器个数N优选为10000。

评估FOG预测模型的方法优选为：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、以及预测时延。

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：

其中，所述特异性计算方法优选为：

时延＝平均步态周期时间(即平均窗宽)

步骤S5中，以AdaBoostC4.5集成分类器作为模型训练算法，包括N个C4.5决策树子分类器，N预设为10000，每个子分类器均进行是否发生FOG的预测，即是否为pre-FOG的识别，预测结果为1或0，其中，N为＞1的自然数，i为1至N的自然数；

最终预测变量

其中f_i(x_j)为真实pre-FOG状态的标签(1或0)；若Y_j≥0，则FOG预测模型的最终预测值为1，该时刻发生FOG；若Y_j＜0，则FOG预测模型的最终预测值为-1，该时刻不处于pre-FOG，即正常步态。

本发明对任意预测时刻j的FOG分类预测值y_j求解，公式可概括为：

其中ε_i为第i个分类器的错误率，f_i(x_j)为真实pre-FOG状态的标签(1或0)。

N为子分类器的个数，m为采集到的加速度数据总量，m＝fs×t。fs为采样频率，t为跨步时间。子分类器个数N优选为10000。

y_j为j时刻FOG分类预测值，预测结果如为1，代表j时刻处于pre-FOG，即将会发生FOG。预测结果如为0，表示j时刻为正常行走，接下来短时间内不会发生FOG。j的取值范围取决于数据采样频率fs和一个跨步时间t的乘积数fs×t。x_j为j时刻的特征值，由五个特征构成。函数f_i为第i个子分类器的FOG预测值，例如，f_i(x_j)为第i个子分类器在j时刻的FOG预测的分类值(1或0)。

本实施例中，因为每种分类器的预测结果为pre-FOG(预测值为1)或非pre-FOG(预测值为0)，因此只要

大于等于0时，则认定最终的预测值为1，即预测该时刻处于pre-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y_j的输出构成了预测序列矩阵y1。

y1＝(y₁,y₂,y₃,y₄,…,y_N-1,y_N)，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，并计算预测精度(包括准确性，灵敏性、特异性)，来评估模型的性能。个性化模型验证：其中测试集由30％LFM矩阵中的数据构成。LFM标记矩阵中每个采样时刻x_j，都会有一个对应的真实pre-FOG发生与否的c_k值(c_k＝1表示处于pre-FOG，c_k＝0表示不处于pre-FOG阶段)，我们对c_k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、特异性和时延。

真阳(TP)、假阳(FP)、真阴(TN)和假阴(FN)的判定方法如下表：

表1

TP：真实发生了pre-FOG、预测为pre-FOG

FN：真实发生了pre-FOG、预测为非pre-FOG

FP：真实发生了非pre-FOG、预测为pre-FOG

TN：真实发生了非pre-FOG、预测为非pre-FOG

因此：

准确性＝(TP+TN)/(TP+TN+FP+FN)

灵敏性＝TP/(TP+FN)

特异性＝TN/(TN+FP)

时延＝平均步态周期时间(即平均窗宽)

本实施例中，采用个性化模型验证，随机选取70％数据用于FOG预测算法的训练集，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预测精度。

经过对患者的实际测试，本发明对患者FOG个性化预测的准确性、灵敏性和特异性分别达到了82.7％、83.8％、82.1％。平均时延为0.93秒。说明该算法可以实现FOG的低时延准确预测。

经过上述预测精度的验证后，将FOG预测模型移植到微控制器，用于实时监测患者步态，实现冻结步态的预测和提前干预。

实施例2：

与实施例1不同的是，本实施例中，步骤S5中，进行普适型模型验证：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，同时验证模型的预测时延。经过对患者的实际测试，本发明在患者FOG发生前成功地实现了FOG的预测，对患者FOG预测的准确性、灵敏性和特异性分别达到了77.9％，72.7％，78.9％。平均时延为0.93秒。证明该FOG预测算法有效，并具有人群普遍适用性。

经过上述预测精度的验证后，将FOG预测模型移植到微控制器，用于实时监测患者步态，实现冻结步态的预测和提前干预。

本发明的预防冻结步态的穿戴设备，使用时，将经过预测精度验证后的FOG预测模型移植入微控制器。加速度传感器1佩戴于患者的腰部，加速度传感器1采集患者行走过程中的加速度信号，并将加速度信号实时传输至微控制器3；微控制器3接收的加速度信号记录在数据存储SD卡2上；微控制器3对步态特征参数进行计算和监控，同时实现具有基于机器学习的FOG预测功能。当监测到步态特征参数变差，FOG预测判断为阳性时(即患者处在FOG过渡期(pre-FOG))，微控制器3控制激光发射装置4发射激光，帮助患者调整步态，从而预防与避免FOG的发生。

综上所述，本发明的预防冻结步态的穿戴设备及其实现方法，可以准确监测患者每一步的步态及平衡状况，通过提取患者在发生FOG之前的病理步态特征，构建基于机器学习的个性化的FOG预测模型，在FOG即将发生之前实现时延低于1秒的对FOG快速并及时的预测判断。结合设备提供的激光视觉助行功能，以视觉引导方式在患者发生FOG之前实施有效及时的干预，阻断FOG发生之前的步态障碍累积效应，及时改善患者步态稳定性和平衡，实现提前干预达到预防冻结步态发生的效果，从而有效降低患者跌倒发生的风险。

本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。

Claims (1)

1.一种预防冻结步态的穿戴设备，其特征在于，包括加速度传感器、数据存储SD卡、微控制器和激光发射装置，所述加速度传感器佩戴于患者的腰部，所述加速度传感器采集患者行走过程中的加速度信号，并将加速度信号实时传输至所述微控制器；所述微控制器接收的加速度信号记录在所述数据存储SD卡上；所述微控制器对步态特征参数进行计算和监控，同时具有基于机器学习的FOG预测功能，当步态特征参数变差，FOG预测判断为阳性时即患者处在FOG过渡期阶段时，所述微控制器控制所述激光发射装置发射激光，帮助患者调整步态，从而预防与避免FOG的发生；

其中，识别所述FOG过渡期阶段包括：

步态特征的提取：步行加速度信号被划分为连续单步后，每两个连续的单步即形成一个跨步，所有的步态特征均在每个跨步上进行提取，并构建特征矩阵SCM；所述步态特征包括步频、AP方向步态变异性、AP方向步态稳定性、VT方向加速度变异性和VT方向冻结指数，所述特征矩阵SCM为五维矩阵；

pre-FOG的标注：选取患者相邻跨步之间单个步态特征的变化的幅度，进行pre-FOG的定义及标定，标定原则如下：计算每次FOG发生之前到FOG发生的每个跨步的步频，记为feature(i),其中i为每个跨步；计算相邻跨步之间的步频差异性slope(i)＝0.5*(feature(i+1)-feature(i-1))，设定pre-FOG的阈值；pre-FOG的开始阶段则为slope第一次高于阈值的跨步一直到FOG的发生，并按照对应的窗口给提取的SCM特征矩阵进行标注，pre-FOG标注为1，其余非FOG阶段提取的特征标注为正常行走阶段，记为0，并构建标签特征矩阵LFM；

FOG预测模型的训练及验证：利用机器学习算法，将标注好pre-FOG和正常步态的标签特征矩阵LFM分为训练集和测试集，进行FOG预测模型的搭建和验证；评估FOG预测模型的有效性；

将FOG预测模型植入所述微控制器中。

Images