CN111539328A - 基于步态标准差的轻度认知障碍识别方法及设备 - Google Patents
基于步态标准差的轻度认知障碍识别方法及设备 Download PDFInfo
- Publication number
- CN111539328A CN111539328A CN202010328977.1A CN202010328977A CN111539328A CN 111539328 A CN111539328 A CN 111539328A CN 202010328977 A CN202010328977 A CN 202010328977A CN 111539328 A CN111539328 A CN 111539328A
- Authority
- CN
- China
- Prior art keywords
- task
- gait data
- dual
- gait
- subject
- 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
Links
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请涉及一种基于步态标准差的轻度认知障碍识别方法,包括:采集受试者的单任务步态数据和对偶任务步态数据,然后对单任务步态数据和对偶任务步态数据进行预处理。基于预设的算法,根据预处理后的单任务步态数据和对偶任务步态数据,得到预处理后的单任务步态数据和对偶任务步态数据的差别特征,将差别特征输入预先训练的机器学习模型,得到受试者的轻度认知障碍识别结果。本申请中,上述流程均通过机器实现,并且通过预先训练好的机器学习分类模型判断受试者是否具有轻度认知障碍,较之现有技术更加方便快捷准确,而且节省了人力物力。
Description
技术领域
本申请涉及轻度认知障碍识别技术领域,尤其涉及一种基于步态标准差的轻度认知障碍识别方法及设备。
背景技术
轻度认知障碍(mild cognitive impairment,MCI)是老年痴呆甚至阿兹海默氏症的前兆,如果能在一定程度上对其进行筛选或检测,能对患者进行有效的提前干预。现有技术中,主要通过量表的形式(MoCA,MMSE)来检测MCI,量表计算得分较为复杂,会花很长的时间,并消耗大量的人力。量表检测的方法仅在规模较大的医院有所部署,这使得很多潜在患者因为医疗条件的影响而不能及时确诊,从而错过最佳的治疗时期。
发明内容
为至少在一定程度上克服相关技术中存在的问题,本申请提供一种基于步态标准差的轻度认知障碍识别方法及设备。
本申请的方案如下:
根据本申请实施例的第一方面,提供一种基于步态标准差的轻度认知障碍识别方法,包括:
采集受试者的单任务步态数据和对偶任务步态数据;
对所述单任务步态数据和对偶任务步态数据进行预处理;
基于预设的算法,根据预处理后的所述单任务步态数据和对偶任务步态数据,得到预处理后的所述单任务步态数据和对偶任务步态数据的差别特征;
将所述差别特征输入预先训练的机器学习模型,得到所述受试者的轻度认知障碍识别结果。
优选地,在本申请一种可实现的方式中,所述采集受试者的单任务步态数据和对偶任务步态数据,具体包括:
采集所述受试者正常直线行走时的关节点信息,作为所述受试者的单任务步态数据;
采集所述受试者执行对偶任务直线行走时的关节点信息,作为所述受试者的对偶任务任务步态数据;
其中,采集的所述受试者正常直线行走时的关节点信息和所述受试者执行对偶任务直线行走时的关节点信息,以时间序列呈现,单位为帧。
优选地,在本申请一种可实现的方式中,
所述采集所述受试者正常直线行走时的关节点信息,包括:采集所述受试者正常直线行走时各关节点在x轴、y轴和z轴方向分别距离传感器的距离;
所述采集所述受试者执行对偶任务直线行走时的关节点信息,包括:采集所述受试者执行对偶任务直线行走时各关节点在x轴、y轴和z轴方向分别距离传感器的距离;
所述单任务步态数据和对偶任务步态数据每一帧对应的数据均包括各关节点三个空间维度的信息。
优选地,在本申请一种可实现的方式中,所述对所述单任务步态数据和对偶任务步态数据进行预处理,包括:
检测所述受试者的单任务步态数据和对偶任务步态数据是否缺失信息,若缺失信息,采用样条插值法对缺失信息进行填充。
优选地,在本申请一种可实现的方式中,所述对所述单任务步态数据和对偶任务步态数据进行预处理,还包括:
将采集的每一帧的所述关节点信息移动到同一中心位置。
优选地,在本申请一种可实现的方式中,所述基于预设的算法,根据预处理后的所述单任务步态数据和对偶任务步态数据,得到预处理后的所述单任务步态数据和对偶任务步态数据的差别特征,包括:
基于标准差算法得到所述受试者的单任务步态数据和对偶任务步态数据在空间上变化的差异,作为所述差别特征。
优选地,在本申请一种可实现的方式中,所述基于标准差算法得到所述单任务步态数据和对偶任务步态数据在空间上变化的差异,包括:
基于预设的标准差算法,根据所述单任务步态数据中关节点的时间序列,以及所述对偶任务步态数据中对应关节点对应空间维度的时间序列,得到所述对偶任务步态数据相对于单任务步态数据整体幅度上的差异。
优选地,在本申请一种可实现的方式中,所述基于标准差算法得到所述单任务步态数据和对偶任务步态数据在空间上变化的差异,还包括:
基于预设的标准差算法,根据所述单任务步态数据中关节点的时间序列,所述对偶任务步态数据中对应关节点对应空间维度的时间序列,单位时间幅度的变化,相邻帧之间的时间间隔,得到所述对偶任务步态数据相对于单任务步态数据幅度率的整体差异。
优选地,在本申请一种可实现的方式中,还包括:
获取历史受试者的单任务步态数据和对偶任务步态数据,以及历史受试者的单任务步态数据和对偶任务步态数据的差别特征作为样本数据;
对所述样本数据进行训练,得到所述机器学习模型,所述机器学习模型用于表征差别特征与轻度认知障碍识别结果的关系。
根据本申请实施例的第二方面,提供一种基于步态标准差的轻度认知障碍识别设备,包括:
处理器和存储器;
所述处理器与存储器通过通信总线相连接:
其中,所述处理器,用于调用并执行所述存储器中存储的程序;
所述存储器,用于存储程序,所述程序至少用于执行如以上任一项所述的基于步态标准差的轻度认知障碍识别方法
本申请提供的技术方案可以包括以下有益效果:
本申请中,采集受试者的单任务步态数据和对偶任务步态数据,然后对单任务步态数据和对偶任务步态数据进行预处理。基于预设的算法,根据预处理后的单任务步态数据和对偶任务步态数据,得到预处理后的单任务步态数据和对偶任务步态数据的差别特征,将差别特征输入预先训练的机器学习模型,得到受试者的轻度认知障碍识别结果。本申请中,上述流程均通过机器实现,并且通过预先训练好的机器学习分类模型判断受试者是否具有轻度认知障碍,较之现有技术更加方便快捷准确,而且节省了人力物力。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1是本申请一个实施例提供的一种基于步态标准差的轻度认知障碍识别方法的流程图;
图2是本申请一个实施例提供的一种基于步态标准差的轻度认知障碍识别方法中受试者的关节点及其对应编号的示意图;
图3是本申请一个实施例提供的一种基于步态信息的轻度认知障碍识别设备的结构图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
图1是本申请一个实施例提供的一种基于步态标准差的轻度认知障碍识别方法的流程图,参照图1,一种基于步态标准差的轻度认知障碍识别方法,包括:
S11:采集受试者的单任务步态数据和对偶任务步态数据;
具体包括:采集受试者正常直线行走时的关节点信息,包括:采集受试者正常直线行走时各关节点在x轴、y轴和z轴方向分别距离传感器的距离;
采集受试者执行对偶任务直线行走时的关节点信息,包括:采集受试者执行对偶任务直线行走时各关节点在x轴、y轴和z轴方向分别距离传感器的距离;
其中,采集的受试者正常直线行走时的关节点信息和受试者执行对偶任务直线行走时的关节点信息,以时间序列呈现,单位为帧,单任务步态数据和对偶任务步态数据每一帧对应的数据均包括各关节点三个空间维度的信息。
具体的,可以但不限于使用Kinect v2.0传感器,采集受试者的单任务步态和对偶任务步态的关节点信息。
Kinect v2.0是微软公司研发的一款3D体感摄影机,能够同时捕捉6个人并提取他们的三维骨骼关节点信息。单任务步态是指受试者在正常行走时所产生的步态信息;对偶任务步态是指受试者在行走的同时,尝试完成另一个任务(数学计算等)而产生的步态信息。有研究表明,对比单任务步态和对偶步态的平均速度之间的差异,MCI患者的差异通常比正常人要大。
单任务步态数据采集:通过Kinect v2.0传感器,采集站立于Kinect v2.0传感器正前方5米处沿直线正常行走的受试者的关节点信息,直到Kinect v2.0传感器不能获取受试者全部骨骼关节点为止。
对偶任务步态数据采集:通过Kinect v2.0传感器,采集站立于Kinect v2.0传感器正前方5米处沿直线正常行走且在心里进行算数计算的受试者的关节点信息,直到Kinect v2.0传感器不能获取受试者全部骨骼关节点为止
所采集的步态信息以时间序列呈现,单位为帧。
优选地,选取受试者25个主要关节点作为进行采集的关节点。图2展示了Kinectv2.0传感器所采集的受试者的25个关节点及其对应编号。
所采集的步态信息每一帧对应的数据量为25*3,其中包含25个关节点,每个关节点有三个维度(x轴、y轴、z轴)的信息。
S12:对单任务步态数据和对偶任务步态数据进行预处理;
对单任务步态数据和对偶任务步态数据进行预处理,包括:
检测受试者的单任务步态数据和对偶任务步态数据是否缺失信息,若缺失信息,采用样条插值法对缺失信息进行填充。
Kinect v2.0传感器在提取骨骼关节点信息的时候可能会丢失部分信息,因此需要对丢失的信息进行填充。可以采用样条插值的方法对缺失信息进行填充。
对单任务步态数据和对偶任务步态数据进行预处理,还包括:
将采集的每一帧的关节点信息移动到同一中心位置。
Kinect v2.0传感器采集的关节点信息有三个维度:x轴、y轴和z轴,分别代表三个方向关节点距离传感器的距离。不同的受试者在不同时刻与传感器中心的偏移程度不同(x,y轴的值不统一),因此有必要将采集到的每一帧关节点移动到同一中心位置。
具体如下:
设受试者的步态信息为B∈Rn×25×3,B(i,j,k)∈R为第i帧、第j个关节点,轴编号为k的值,单位为米。B(i,j,:)∈R3为第i帧编号为j的关节点的坐标,B(i,j,0)、B(i,j,1)和B(i,j,2)分别为x、y、z三个坐标轴的坐标。则坐标中心化的过程为对所有关节点执行B(i,j,:):=B(i,j,:)-B(i,0,:),即将编号为0的关节点作为坐标原点。
B(i,j,:):=B(i,j,:)-B(i,0,:)表示赋值操作,将右侧的值赋给左侧变量。
进一步的,由于不同的受试者身高不同,因此需要将所有受试者的身高统一化。具体为:
设距离绝对值为d=|B(0,1,1)-B(0,0,1)|,对每个关节点的每个坐标值执行B(i,j,k):=B(i,j,k)/d。
S13:基于预设的算法,根据预处理后的单任务步态数据和对偶任务步态数据,得到预处理后的单任务步态数据和对偶任务步态数据的差别特征;
包括:基于标准差算法得到受试者的单任务步态数据和对偶任务步态数据在空间上变化的差异,作为差别特征。
具体为:
基于预设的标准差算法,根据单任务步态数据中关节点的时间序列,以及对偶任务步态数据中对应关节点对应空间维度的时间序列,得到对偶任务步态数据相对于单任务步态数据整体幅度上的差异。
基于预设的标准差算法,根据单任务步态数据中关节点的时间序列,对偶任务步态数据中对应关节点对应空间维度的时间序列,单位时间幅度的变化,相邻帧之间的时间间隔,得到对偶任务步态数据相对于单任务步态数据幅度率的整体差异。
本实施例中主要通过对比单任务步态数据和对偶任务步态数据在空间上变化的不同来提取特征,其差异用标准差来衡量。
设单任务步态数据为B1∈Rn×25×3,对偶任务步态数据为B2∈Rm×25×3,则对于每一个关节点可获得3组时间序列,每一个步态数据共计25*3=75组时间序列。设单任务步态数据第i组时间序列为对应的对偶任务步态数据时间序列为即选取单任务步态数据中某一关节点的其中一个空间维度的时间序列,以及对偶任务步态数据中对应关节点的对应空间维度的时间序列。
S14:将差别特征输入预先训练的机器学习模型,得到受试者的轻度认知障碍识别结果。
一些实施例中的基于步态标准差的轻度认知障碍识别方法,还包括:获取历史受试者的单任务步态数据和对偶任务步态数据,以及历史受试者的单任务步态数据和对偶任务步态数据的差别特征作为样本数据;
对样本数据进行训练,得到机器学习模型,机器学习模型用于表征差别特征与轻度认知障碍识别结果的关系。
机器学习模型可以但不限于为分类器,分类器可用支持向量机、随机森林等。
图3是本申请一个实施例提供的一种基于步态信息的轻度认知障碍识别设备的结构图,参照图3,一种基于步态信息的轻度认知障碍识别设备,包括:
处理器21和存储器22
处理器21与存储器22通过通信总线相连接:
其中,处理器21,用于调用并执行存储器22中存储的程序;
存储器22,用于存储程序,程序至少用于执行以上任一实施例中的基于步态标准差的轻度认知障碍识别方法。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本申请的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于步态标准差的轻度认知障碍识别方法,其特征在于,包括:
采集受试者的单任务步态数据和对偶任务步态数据;
对所述单任务步态数据和对偶任务步态数据进行预处理;
基于预设的算法,根据预处理后的所述单任务步态数据和对偶任务步态数据,得到预处理后的所述单任务步态数据和对偶任务步态数据的差别特征;
将所述差别特征输入预先训练的机器学习模型,得到所述受试者的轻度认知障碍识别结果。
2.根据权利要求1所述的方法,其特征在于,所述采集受试者的单任务步态数据和对偶任务步态数据,具体包括:
采集所述受试者正常直线行走时的关节点信息,作为所述受试者的单任务步态数据;
采集所述受试者执行对偶任务直线行走时的关节点信息,作为所述受试者的对偶任务任务步态数据;
其中,采集的所述受试者正常直线行走时的关节点信息和所述受试者执行对偶任务直线行走时的关节点信息,以时间序列呈现,单位为帧。
3.根据权利要求2所述的方法,其特征在于,
所述采集所述受试者正常直线行走时的关节点信息,包括:采集所述受试者正常直线行走时各关节点在x轴、y轴和z轴方向分别距离传感器的距离;
所述采集所述受试者执行对偶任务直线行走时的关节点信息,包括:采集所述受试者执行对偶任务直线行走时各关节点在x轴、y轴和z轴方向分别距离传感器的距离;
所述单任务步态数据和对偶任务步态数据每一帧对应的数据均包括各关节点三个空间维度的信息。
4.根据权利要求3所述的方法,其特征在于,所述对所述单任务步态数据和对偶任务步态数据进行预处理,包括:
检测所述受试者的单任务步态数据和对偶任务步态数据是否缺失信息,若缺失信息,采用样条插值法对缺失信息进行填充。
5.根据权利要求3所述的方法,其特征在于,所述对所述单任务步态数据和对偶任务步态数据进行预处理,还包括:
将采集的每一帧的所述关节点信息移动到同一中心位置。
6.根据权利要求3所述的方法,其特征在于,所述基于预设的算法,根据预处理后的所述单任务步态数据和对偶任务步态数据,得到预处理后的所述单任务步态数据和对偶任务步态数据的差别特征,包括:
基于标准差算法得到所述受试者的单任务步态数据和对偶任务步态数据在空间上变化的差异,作为所述差别特征。
7.根据权利要求5所述的方法,其特征在于,所述基于标准差算法得到所述单任务步态数据和对偶任务步态数据在空间上变化的差异,包括:
基于预设的标准差算法,根据所述单任务步态数据中关节点的时间序列,以及所述对偶任务步态数据中对应关节点对应空间维度的时间序列,得到所述对偶任务步态数据相对于单任务步态数据整体幅度上的差异。
8.根据权利要求6所述的方法,其特征在于,所述基于标准差算法得到所述单任务步态数据和对偶任务步态数据在空间上变化的差异,还包括:
基于预设的标准差算法,根据所述单任务步态数据中关节点的时间序列,所述对偶任务步态数据中对应关节点对应空间维度的时间序列,单位时间幅度的变化,相邻帧之间的时间间隔,得到所述对偶任务步态数据相对于单任务步态数据幅度率的整体差异。
9.根据权利要求3所述的方法,其特征在于,还包括:
获取历史受试者的单任务步态数据和对偶任务步态数据,以及历史受试者的单任务步态数据和对偶任务步态数据的差别特征作为样本数据;
对所述样本数据进行训练,得到所述机器学习模型,所述机器学习模型用于表征差别特征与轻度认知障碍识别结果的关系。
10.一种基于步态标准差的轻度认知障碍识别设备,其特征在于,包括:
处理器和存储器;
所述处理器与存储器通过通信总线相连接:
其中,所述处理器,用于调用并执行所述存储器中存储的程序;
所述存储器,用于存储程序,所述程序至少用于执行权利要求1-9任一项所述的基于步态标准差的轻度认知障碍识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010328977.1A CN111539328B (zh) | 2020-04-23 | 2020-04-23 | 基于步态标准差的轻度认知障碍识别方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010328977.1A CN111539328B (zh) | 2020-04-23 | 2020-04-23 | 基于步态标准差的轻度认知障碍识别方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111539328A true CN111539328A (zh) | 2020-08-14 |
CN111539328B CN111539328B (zh) | 2023-07-14 |
Family
ID=71979044
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010328977.1A Active CN111539328B (zh) | 2020-04-23 | 2020-04-23 | 基于步态标准差的轻度认知障碍识别方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111539328B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114052723A (zh) * | 2021-12-21 | 2022-02-18 | 大连大学 | 一种基于步态特征的跌倒风险评估方法及跌倒识别装置 |
CN116077023A (zh) * | 2023-01-13 | 2023-05-09 | 北京中科睿医信息科技有限公司 | 基于运动测试的认知评估方法、装置、设备、介质及产品 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110208444A1 (en) * | 2006-07-21 | 2011-08-25 | Solinsky James C | System and method for measuring balance and track motion in mammals |
CN104834888A (zh) * | 2014-12-04 | 2015-08-12 | 龙岩学院 | 一种辅助筛查帕金森症的异常步态识别方法 |
CN110584601A (zh) * | 2019-08-26 | 2019-12-20 | 首都医科大学 | 一种老人认知功能监测和评估方法 |
CN110960195A (zh) * | 2019-12-25 | 2020-04-07 | 中国科学院合肥物质科学研究院 | 一种方便快捷的神经认知功能评估方法及装置 |
-
2020
- 2020-04-23 CN CN202010328977.1A patent/CN111539328B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110208444A1 (en) * | 2006-07-21 | 2011-08-25 | Solinsky James C | System and method for measuring balance and track motion in mammals |
CN104834888A (zh) * | 2014-12-04 | 2015-08-12 | 龙岩学院 | 一种辅助筛查帕金森症的异常步态识别方法 |
CN110584601A (zh) * | 2019-08-26 | 2019-12-20 | 首都医科大学 | 一种老人认知功能监测和评估方法 |
CN110960195A (zh) * | 2019-12-25 | 2020-04-07 | 中国科学院合肥物质科学研究院 | 一种方便快捷的神经认知功能评估方法及装置 |
Non-Patent Citations (2)
Title |
---|
谷星忠;石志鸿;郭宏;刘帅;纪勇;: "路易体痴呆与帕金森病痴呆认知及精神行为比较" * |
陶帅;吕泽平;田秋娇;胡才友;谢海群;: "步态检测设备联合量表评估认知功能和跌倒风险的应用初探" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114052723A (zh) * | 2021-12-21 | 2022-02-18 | 大连大学 | 一种基于步态特征的跌倒风险评估方法及跌倒识别装置 |
CN116077023A (zh) * | 2023-01-13 | 2023-05-09 | 北京中科睿医信息科技有限公司 | 基于运动测试的认知评估方法、装置、设备、介质及产品 |
CN116077023B (zh) * | 2023-01-13 | 2023-11-03 | 北京中科睿医信息科技有限公司 | 基于运动测试的认知评估方法、装置、设备、介质及产品 |
Also Published As
Publication number | Publication date |
---|---|
CN111539328B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3376414B1 (en) | Joint movement detection system and method, and dynamic assessment method and system for knee joint | |
US20160117818A1 (en) | Computer-aided diagnosis (cad) apparatus and method using consecutive medical images | |
US20180184947A1 (en) | Integrated Goniometry System and Method for Use of Same | |
US11331006B2 (en) | System and method for human motion detection and tracking | |
CN102194049A (zh) | 诊断辅助设备和冠状动脉分析方法 | |
US11497961B2 (en) | System and method for human motion detection and tracking | |
CN111539328B (zh) | 基于步态标准差的轻度认知障碍识别方法及设备 | |
CN105103164B (zh) | 基于视图分类的模型初始化 | |
CN112308932A (zh) | 一种注视检测方法、装置、设备及存储介质 | |
KR20180058999A (ko) | 보행 분석 시스템, 방법 및 컴퓨터 판독 가능한 기록매체 | |
CN111539327A (zh) | 基于步态信息的轻度认知障碍识别方法及设备 | |
US20240057946A1 (en) | Sarcopenia evaluation method, sarcopenia evaluation device, and non-transitory computer-readable recording medium in which sarcopenia evaluation program is recorded | |
US11779260B2 (en) | Cognitive function evaluation method, cognitive function evaluation device, and non-transitory computer-readable recording medium in which cognitive function evaluation program is recorded | |
JP5364009B2 (ja) | 画像生成装置、画像生成方法、及びそのプログラム | |
CN111035393B (zh) | 三维步态数据处理方法、系统、服务器及存储介质 | |
JP2012061019A (ja) | 画像処理装置、方法およびプログラム | |
US11497962B2 (en) | System and method for human motion detection and tracking | |
EP3499513A1 (en) | Determining whether a hypothesis concerning a signal is true | |
CN111861275B (zh) | 家政工作模式的识别方法和装置 | |
Lobo et al. | Bioinspired visuo-vestibular artificial perception system for independent motion segmentation | |
Petitjean et al. | Quantification of myocardial function using tagged MR and cine MR images | |
EP4053793A1 (en) | System and method for human motion detection and tracking | |
Budzyńska et al. | Verification of Selected Gait Parameters Derived from Inertial Sensors Using Simple Smartphone Based Optical System | |
Patil et al. | Early Detection of Hemiplegia by Analyzing the Gait Characteristics and Walking Patterns Using | |
EP4302699A1 (en) | System and method for processing ultrasound imaging data |
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 |