CN115171886A - 一种基于随机森林算法的冻结步态检测方法、装置、和存储介质 - Google Patents

一种基于随机森林算法的冻结步态检测方法、装置、和存储介质 Download PDF

Info

Publication number
CN115171886A
CN115171886A CN202210877207.1A CN202210877207A CN115171886A CN 115171886 A CN115171886 A CN 115171886A CN 202210877207 A CN202210877207 A CN 202210877207A CN 115171886 A CN115171886 A CN 115171886A
Authority
CN
China
Prior art keywords
gait
data
training
frozen
label
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
CN202210877207.1A
Other languages
English (en)
Other versions
CN115171886B (zh
Inventor
王开亮
陈彪
冯军
胡威
孟源
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.)
Beijing Dailai Technology Co ltd
Original Assignee
Beijing Dailai Technology Co ltd
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 Beijing Dailai Technology Co ltd filed Critical Beijing Dailai Technology Co ltd
Priority to CN202210877207.1A priority Critical patent/CN115171886B/zh
Publication of CN115171886A publication Critical patent/CN115171886A/zh
Application granted granted Critical
Publication of CN115171886B publication Critical patent/CN115171886B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • G06V10/52—Scale-space analysis, e.g. wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • General Physics & Mathematics (AREA)
  • Physiology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Psychiatry (AREA)
  • Databases & Information Systems (AREA)
  • Signal Processing (AREA)
  • Fuzzy Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Human Computer Interaction (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Dentistry (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，方法包括：采集患者行走过程中脚部的步态数据并录制行走视频；对步态数据进行分段形成训练步态数据片段，并增加是否产生冻结步态的人工标签得到训练步态标签；对训练步态数据片段依次进行预处理、小波变换、统计学分析，最终得到训练步态参数；将训练步态标签和训练步态参数输入至随机森林算法进行训练，得到训练好的冻结步态检测模型；采集患者的待检测步态数据，得到待检测步态参数；将待检测步态参数和训练好的冻结步态检测模型共同输入至随机森林算法中，得到冻结步态检测结果。其采集数据量少，参数计算量小，能够快速准确的检测出是否产生冻结步态。

Description

一种基于随机森林算法的冻结步态检测方法、装置、和存储 介质
技术领域
本发明涉及机器学习技术领域，具体涉及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。
背景技术
冻结步态(FoG)是帕金森病(PD)患者最常见的致残症状之一。冻结步态是一种短暂发作性的步态受阻,常表现为患者起始犹豫不能迈步,突然难以行走。这种情况在步态开始、转弯和通过狭窄空间时更为常见。在现有的冻结步态的治疗或康复中，通常在产生冻结步态时给予一定的外部刺激，帮助患者构建完整的行走运动环路。因此对于冻结步态的快速准确识别是重中之重，现有关于冻结步态检测方法需要采集患者多个部位的数据，因此需要计算的参数较多，过程也比较复杂。
发明内容
鉴于上述问题，本发明实施例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，解决现有的技术问题。
为解决上述技术问题，本发明提供以下技术方案：
第一方面，本发明提供一种基于随机森林算法的冻结步态检测方法，所述方法包括以下步骤：
采集患者行走过程中脚部的步态数据并录制行走视频，所述步态数据包括三轴加速度数据和三轴角速度数据；
对步态数据进行分段形成训练步态数据片段，根据行走视频对训练步态数据片段进行标记形成是否产生冻结步态的人工标签，训练步态数据片段与对应的人工标签形成训练步态标签；
对训练步态数据片段进行预处理形成预处理数据；
对预处理数据进行小波变换，得到细节分量和近似分量；
根据细节分量和近似分量进行统计学分析，得到训练步态参数；
将训练步态标签和训练步态参数输入至随机森林算法进行训练，得到训练好的冻结步态检测模型；
采集患者的待检测步态数据片段根据小波变换和统计学分析形成待检测步态参数；
将待检测步态参数和训练好的冻结步态检测模型共同输入至随机森林算法中，得到冻结步态检测结果。
一实施例中，所述对步态数据进行分段形成训练步态数据片段，根据行走视频对训练步态数据片段进行标记形成是否产生冻结步态的人工标签，训练步态数据片段与对应的人工标签形成训练步态标签具体包括：
将步态数据分成若干步态数据片段；
根据每个步态数据片段对应的行走视频为相应的步态数据片段增加是否产生冻结步态的人工标签；
将产生冻结步态的步态数据片段标记为第一标签，将未产生冻结步态的步态数据片段标记为第二标签；
将每个步态数据片段与第一标签和第二标签一一对应保存为训练步态标签。
一实施例中，所述将步态数据分成若干步态数据片段具体包括：
配置一个固定窗宽的滑动时间窗遍历整个步态数据；
配置滑动时间窗每次移动的步长；
提取滑动时间窗每次移动时处于滑动时间窗内的步态数据，获得若干步态数据片段。
一实施例中，所述对训练步态数据片段进行预处理形成预处理数据具体包括：
将三轴加速度数据集成为加速度信号acc，将三轴角速度数据集成为欧拉角信号euler；
将加速度信号acc和欧拉角信号euler的数值聚集至时间轴附近；
将聚集至时间轴附近的加速度信号acc和欧拉角信号euler进行低通滤波处理，得到清理后的加速度信号
Figure BDA0003762832490000031
和欧拉角信号
Figure BDA0003762832490000032
一实施例中所述根据细节分量和近似分量进行统计学分析，得到训练步态参数具体包括：
计算细节分量和近似分量中包含数据的绝对值中的最大值并取对数，得到第一特征参数；
计算细节分量和近似分量中包含数据的平方和与数据长度的比值并取对数，得到第二特征参数；
计算细节分量和近似分量中包含数据的绝对值的平均值并取对数，得到第三特征参数；
基于第一特征参数、第二特征参数和第三特征参数组合形成训练步态参数。
一实施例中，所述将三轴加速度数据集成为加速度信号acc，具体包括：
通过如下算式，将三轴加速度数据集成为加速度信号acc；
Figure BDA0003762832490000033
其中，acc为加速度信号；accx为X轴加速度数据；accy为Y轴加速度数据；accz为Z轴加速度数据；
所述将三轴角速度数据集成为欧拉角信号euler，具体包括：
利用四元数计算三轴角速度数据在X轴、Y轴和Z轴方向上的欧拉角eulerx、eulery和eulerz；
通过如下算式，将eulerx、eulery和eulerz集成为欧拉角信号euler；
Figure BDA0003762832490000041
其中，euler为欧拉角信号；eulerx为利用四元数计算出的X轴欧拉角；eulery为利用四元数计算出的Y轴欧拉角；eulerz为利用四元数计算出的Z轴欧拉角。
一实施例中，所述将训练步态标签和训练步态参数输入至随机森林算法进行训练，具体包括：
基于matlab环境下使用随机森林算法将训练步态标签作为训练标签，将训练步态参数作为训练特征；
将所有片段的训练标签和训练特征组合形成训练样本集；
将训练样本集输入至TreeBagger训练函数中，得到训练好的冻结步态检测模型。
一实施例中，所述将待检测步态参数和训练好的冻结步态检测模型共同输入至随机森林算法中，具体包括：
基于随机森林算法将待检测参数和训练好的冻结步态检测模型作为待检测特征输入至matlab中的predict函数中；
如果输出结果为第一标签则表明产生冻结步态；
如果输出结果为第二标签则表明未产生冻结步态。
第二方面，本发明提供一种冻结步态的检测装置，所述装置包括：
采集录制模块：用于采集患者行走过程中脚部的步态数据并录制行走视频，所述步态数据包括三轴加速度数据和三轴角速度数据；
标签增加模块：用于对步态数据进行分段形成训练步态数据片段，根据行走视频对训练步态数据片段进行标记形成是否产生冻结步态的人工标签，训练步态数据片段与对应的人工标签形成训练步态标签；
预处理模块：用于对训练步态数据片段进行预处理形成预处理数据；
数据变换模块：用于对预处理数据进行小波变换，得到细节分量和近似分量；
第一参数生成模块：用于根据细节分量和近似分量进行统计学分析，得到训练步态参数；
模型生成模块：用于将训练步态标签和训练步态参数输入至随机森林算法进行训练，得到训练好的冻结步态检测模型；
第二参数生成模块：用于采集患者的待检测步态数据片段根据小波变换和统计学分析形成待检测步态参数；
结果输出模块：用于将待检测步态参数和训练好的冻结步态检测模型共同输入至随机森林算法中，得到冻结步态检测结果。
一实施例中，所述标签增加模块具体包括：
分割单元：用于将步态数据分成若干步态数据片段；
标签判断单元：用于根据每个步态数据片段对应的行走视频为相应的步态数据片段增加是否产生冻结步态的人工标签；
标签增加单元：用于将产生冻结步态的步态数据片段标记为第一标签，将未产生冻结步态的步态数据片段标记为第二标签；
训练步态标签形成单元：用于将每个步态数据片段与第一标签和第二标签一一对应保存为训练步态标签。
一实施例中，所述分割单元具体包括：
第一配置子单元：配置一个固定窗宽的滑动时间窗遍历整个步态数据；
第二配置子单元：配置滑动时间窗每次移动的步长；
数据片段提取单元：提取滑动时间窗每次移动时处于滑动时间窗内的步态数据，获得若干步态数据片段。
一实施例中，所述预处理模块具体包括：
数据集成单元：用于将三轴加速度数据集成为加速度信号acc，将三轴角速度数据集成为欧拉角信号euler；
数据归约单元：用于将加速度信号acc和欧拉角信号euler的数值聚集至时间轴附近；
数据清理单元：将聚集至时间轴附近的加速度信号acc和欧拉角信号euler进行低通滤波处理，得到清理后的加速度信号
Figure BDA0003762832490000061
和欧拉角信号
Figure BDA0003762832490000062
一实施例中，所述第一参数生成模块具体包括：
第一特征参数获取单元：用于计算细节分量和近似分量绝对值中的最大值并取对数，得到第一特征参数；
第二特征参数获取单元：用于计算细节分量和近似分量平方和与数据长度的比值并取对数，得到第二特征参数；
第三特征参数获取单元：用于计算细节分量和近似分量绝对值的平均值并取对数，得到第三特征参数。
一实施例中，所述数据集成单元包括：
加速度信号集成子单元：用于通过如下算式，将三轴加速度数据集成为加速度信号acc；
Figure BDA0003762832490000063
其中，acc为加速度信号；accx为X轴加速度数据；accy为Y轴加速度数据；accz为Z轴加速度数据。
欧拉角生成子单元：用于利用四元数计算三轴角速度数据在X轴、Y轴和Z轴方向上的欧拉角eulerx、eulery和eulerz；
欧拉角信号集成子单元：用于通过如下算式，将eulerx、eulery和eulerz集成为欧拉角信号euler；
Figure BDA0003762832490000064
其中，euler为欧拉角信号；eulerx为利用四元数计算出的X轴欧拉角；eulery为利用四元数计算出的Y轴欧拉角；eulerz为利用四元数计算出的Z轴欧拉角。
一实施例中，所述模型生成模块具体包括：
训练特征生成单元：用于基于matlab环境下使用随机森林算法将训练步态标签作为训练标签，将训练步态参数作为训练特征；
训练样本集生成单元：用于将所有片段的训练标签和训练特征组合形成训练样本集；
冻结步态检测模型生成单元：用于将训练样本集输入至TreeBagger训练函数中，得到训练好的冻结步态检测模型。
一实施例中，所述结果输出模块具体用于：
基于随机森林算法将待检测参数和训练好的冻结步态检测模型作为待检测特征输入至matlab中的predict函数中；
如果输出结果为第一标签则表明产生冻结步态；
如果输出结果为第二标签则表明未产生冻结步态。
第三方面，本发明提供一种电子设备，包括：
处理器、存储器、与网关通信的接口；
存储器用于存储程序和数据，所述处理器调用存储器存储的程序，以执行第一方面任一项提供的一种基于随机森林算法的冻结步态检测方法。
第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质包括程序，所述程序在被处理器执行时用于执行第一方面任一项提供的一种基于随机森林算法的冻结步态检测方法。
从上述描述可知，本发明实施例提供一种基于随机森林算法的冻结步态检测方法，无需在患者的多个部位佩戴传感器，仅需要采集患者脚部的步态数据，经过简单计算便能得到用于判断冻结步态的参数，并采用小波变换与随机森林算法结合的方式，可以分频段的提取每个步态数据片段的特征，同时又能更多的保留原始信号的信息，使得提取到的特征更加全面，更能代表原始信息，并可在训练数据不足的情况下能达到较高的准确率，其需要采集的数据类型和输入的数据较少，可以更加精确快速的判断出是否产生冻结步态。
附图说明
图1所示为本发明一实施例提供的冻结步态检测方法流程示意图；
图2所示为本发明一实施例提供的冻结步态检测装置的结构示意图；
图3所示为本发明一实施例中的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明白，以下结合附图及具体实施方式对本发明作进一步说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
基于现有技术的缺点，本发明实施例提供了一种基于随机森林算法的冻结步态检测方法的具体实施方式，参见图1，该方法具体包括：
S110：采集患者行走过程中脚部的步态数据并录制行走视频，所述步态数据包括三轴加速度数据和三轴角速度数据。
具体地，此步骤是为了训练得到冻结步态检测模型做的前期数据采集准备，采集过程中仅需采集患者脚部的步态数据，在采集数据时患者需要穿戴步态监测鞋，鞋底安装有加速度计和陀螺仪，加速度计和陀螺仪分别用来采集三轴加速度数据和三轴角速度数据，采样频率可以设置为50Hz。患者穿戴步态检测鞋后，让患者自由行走，并录制视频记录整个行走过程，行走结束后停止采集数据。当然为了训练得到的冻结步态检测模型容错率更高，可以采集多患者的步态数据。
S120：对步态数据进行分段形成训练步态数据片段，根据行走视频对训练步态数据片段进行标记形成是否产生冻结步态的人工标签，训练步态数据片段与对应的人工标签形成训练步态标签。
具体地，可以将步态数据分成若干步态数据片段；
根据每个步态数据片段对应的行走视频为相应的步态数据片段增加是否产生冻结步态的人工标签；
将产生冻结步态的步态数据片段标记为第一标签，将未产生冻结步态的步态数据片段标记为第二标签；例如将第一标签标记为“1”，将第二标签标记为“0”，使得训练好的冻结步态检测模型输出的冻结步态结果更加直观，当然并不排除使用其他类型的标记进行标注。
将每个步态数据片段与第一标签和第二标签一一对应保存为训练步态标签。
在将步态数据分成若干步态数据片段时，可以通过下述方法进行分割提取：
首先配置一个固定窗宽的滑动时间窗遍历整个步态数据，例如可以将滑动时间窗的窗宽设置为4S(其中包括200个数据点)；
并配置滑动时间窗每次移动的步长，例如可以将步长设置为1S(包括50个数据点)；
在数据提取过程中，依次提取滑动时间窗每次移动时处于滑动时间窗内的步态数据，最后获得若干步态数据片段。保证数据提出的完整性以并减少误差，提高检测精度。
S130：对训练步态数据片段进行预处理形成预处理数据。
具体地，预处理包括数据集成、数据归约、数据清理、数据统计和数据变换等过程，其详细过程如下：
将三轴加速度数据集成为加速度信号acc，将三轴角速度数据集成为欧拉角信号euler；
通过如下算式，将三轴加速度数据集成为加速度信号acc；
Figure BDA0003762832490000101
其中，acc为加速度信号；accx为X轴加速度数据；acCy为Y轴加速度数据；accz为Z轴加速度数据。
可以理解的是，三轴加速度数据即为X轴、Y轴和Z轴方向的加速度数据，所谓集成即为将X轴、Y轴和Z轴方向的加速度数据合并为一个加速度数据，到达减少冗余的目的。下述的三轴角速度数据与其处理方式相似。
利用四元数计算三轴角速度数据在X轴、Y轴和Z轴方向上的欧拉角eulerx、eulery和eulerz；
通过如下算式，将eulerx、eulery和eulerz集成为欧拉角信号euler；
Figure BDA0003762832490000102
其中，euler为欧拉角信号；eulerx为利用四元数计算出的X轴欧拉角；eulery为利用四元数计算出的Y轴欧拉角；eulerz为利用四元数计算出的Z轴欧拉角。
将加速度信号acc和欧拉角信号euler的数值聚集至时间轴附近；
其具体的实现方式为：首先计算加速度信号acc的加速度信号平均值accmean；
加速度信号平均值accmean通过下式计算得出；
Figure BDA0003762832490000103
其中N为信号的长度。
然后将加速度信号acc与加速度信号平均值accmean进行差值运算。
同样，欧拉角信号euler与加速度信号acc类似：
首先计算欧拉角信号euler的欧拉角信号平均值eulermean；
欧拉角信号平均值eulermean通过下式计算得出；
Figure BDA0003762832490000104
其中N为信号的长度。
然后将欧拉角信号euler与欧拉角信号平均值eulermean进行差值运算。
最终使得加速度信号acc和欧拉角信号euler的差值聚集至时间轴附近(即将加速度信号acc和欧拉角信号euler在Y轴代表的加速度值和角度值，聚集至X轴代表的时间轴附近)，通过以上运算可以使得训练好的冻结步态检测模型能够拥有更快的收敛速度，使得冻结步态检测模型的训练生成过程更加容易和稳定。
将聚集至时间轴附近的加速度信号acc和欧拉角信号euler进行低通滤波处理，得到清理后的加速度信号
Figure BDA0003762832490000111
和欧拉角信号
Figure BDA0003762832490000112
在滤波时，可以采用巴特斯沃滤波器的滤波方式，且将截止频率设置为5Hz，达到滤除高频噪声的目的，使得获取的信号更加纯净，更加贴近实际。
S140：对预处理数据进行小波变换，得到细节分量和近似分量。
具体地，根据清理后的加速度信号
Figure BDA0003762832490000113
和欧拉角信号
Figure BDA0003762832490000114
进行3层小波变换，并且小波基选择db4。以加速度信号
Figure BDA0003762832490000115
为例，经过小波变换后，分别获得第1至3层的三个细节分量cD1、cD2和cD3以及第3层的近似分量cA3，也就是说经过小变换后得到3个细节分量和一个近似分量。同理，欧拉角信号
Figure BDA0003762832490000116
也按照上述方式进行小波变换。通过小波变换，可以分频段的提取每个步态数据片段的特征，同时又能更多的保留原始信号的信息，使得提取到的特征更加全面，更能代表原始信息，使得训练完成的冻结步态检测模型具有更加丰富的特征并且使得检测结果更加精确。
S150：根据细节分量和近似分量进行统计学分析，得到训练步态参数。
具体地，计算细节分量和近似分量中包含数据的绝对值中的最大值并取对数，得到第一特征参数；
计算细节分量和近似分量中包含数据的平方和与数据长度的比值并取对数，得到第二特征参数；
计算细节分量和近似分量中包含数据的绝对值的平均值并取对数，得到第三特征参数；
基于第一特征参数、第二特征参数和第三特征参数组合形成训练步态参数。
更为具体地，以细节分量cD1为例进行说明：
第一特征参数通过以下算式获得：
F1＝log10(max|cD1|)；
第二特征参数通过以下算式获得：
Figure BDA0003762832490000121
式中，N为细节分量cD1所包含数据的数量；
第三特征参数通过以下算式获得：
F3＝log10(avg|cD1|)；
式中，avg表示细节分量cD1的平均值。
通过第一特征参数将细节分量或近似分量中包含的所有数据归纳为一个具有最能突出细节分量或近似分量的特异性特征参数，通过第二特征参数将细节分量或近似分量中包含的所有数据归纳为一个体现细节分量或近似分量的离散特征参数，通过第三特征参数将细节分量或近似分量中包含的所有数据归纳为一个体现细节分量或近似分量总体趋势的整体特征参数，利用第一特征参数、第二特征参数和第三特征参数三者的结合，可以从多角度全面的体现细节分量和近似分量，并且大幅缩减数据的数量。
由上可知，每个小波变换后的每个分量都对应有第一特征参数、第二特征参数和第三特征参数，也就是说加速度信号acc和欧拉角信号euler分别对应有12个参数，这样就得到了患者一只鞋上的24个参数，对于一双鞋则参数数量翻倍，最终产生48个参数。相对于现有的冻结步态检测方法涉及的参数量明显下降，可以明显提高检测速度。并且训练步态参数包含时域参数和频域参数，检测数据更加全面，使得检测结果更加贴切实际，到达提高检测准确度的目的。
S160：将训练步态标签和训练步态参数输入至随机森林算法进行训练，得到训练好的冻结步态检测模型。
具体地，基于matlab环境下使用随机森林算法将训练步态标签作为训练标签，将训练步态参数作为训练特征；
将所有片段的训练标签和训练特征组合形成训练样本集；
将训练样本集输入至TreeBagger训练函数中，得到训练好的冻结步态检测模型。
利用随机森林算法可以根据训练样本集自动生成模型，在训练数据不足的情况下，也能达到较高的准确率，进而提高冻结步态检测模型的检测准确率。
S170：采集患者的待检测步态数据片段根据小波变换和统计学分析形成待检测步态参数。
具体地，采集患者的待检测步态数据按照S110中的采集患者行走过程中脚部的步态数据同样的方式实时采集患者的步态数据，并将采集得到的步态数据作为待检测步态数据，之后按照S130、S140和S150同样的方式处理待检测步态数据，最终得到待检测步态参数。
S180：将待检测步态参数和训练好的冻结步态检测模型共同输入至随机森林算法中，得到冻结步态检测结果。
具体地，基于随机森林算法将待检测参数和训练好的冻结步态检测模型作为待检测特征输入至matlab中的predict函数中；
如果输出结果为第一标签则表明产生冻结步态；
如果输出结果为第二标签则表明未产生冻结步态。
冻结步态检测模型仅需训练一次，训练完成后的冻结步态检测模型可以重复使用，利用随机森林算法将待检测参数和训练好的冻结步态检测模作为输入，便会根据确定的规则对待检测参数进行判定，并且结果以标签的形式直观表达。
由此可见，本发明实施例无需在患者的多个部位佩戴传感器，仅需要采集患者脚部的步态数据，经过简单计算便能得到用于判断冻结步态的参数。采用小波变换与随机森林算法结合的方式，可以分频段的每个步态数据片段的特征，同时又能更多的保留原始信号的信息，使得提取到的特征更加全面，更能代表原始信息，即使在训练数据不足的情况下也能达到较高的准确率，并可根据训练步态标签和训练步态参数自动训练生成冻结步态检测模型，其需要采集的数据类型和输入的数据较少，可以更加精确快速的判断出是否产生冻结步态。
基于同一发明构思，本申请实施例还提供了一种冻结步态的检测装置，可以用于实现上述实施例所描述的一种基于随机森林算法的冻结步态检测方法，如下面的实施例所述。由于一种冻结步态的检测装置解决问题的原理与一种基于随机森林算法的冻结步态检测方法相似，因此一种冻结步态的检测装置的实施可以参见一种基于随机森林算法的冻结步态检测方法实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本发明还提供一种冻结步态的检测装置，参见图2，该装置包括：
采集录制模块210：用于采集患者行走过程中脚部的步态数据并录制行走视频，所述步态数据包括三轴加速度数据和三轴角速度数据；
标签增加模块220：用于对步态数据进行分段形成训练步态数据片段，根据行走视频对训练步态数据片段进行标记形成是否产生冻结步态的人工标签，训练步态数据片段与对应的人工标签形成训练步态标签；
预处理模块230：用于对训练步态数据片段进行预处理形成预处理数据；
数据变换模块240：用于对预处理数据进行小波变换，得到细节分量和近似分量；
第一参数生成模块250：用于根据细节分量和近似分量进行统计学分析，得到训练步态参数；
模型生成模块260：用于将训练步态标签和训练步态参数输入至随机森林算法进行训练，得到训练好的冻结步态检测模型；
第二参数生成模块270：用于采集患者的待检测步态数据片段根据小波变换和统计学分析形成待检测步态参数；
结果输出模块280：用于将待检测步态参数和训练好的冻结步态检测模型共同输入至随机森林算法中，得到冻结步态检测结果。
本发明一实施例中，所述标签增加模块220具体包括：
分割单元：用于将步态数据分成若干步态数据片段；
标签判断单元：用于根据每个步态数据片段对应的行走视频为相应的步态数据片段增加是否产生冻结步态的人工标签；
标签增加单元：用于将产生冻结步态的步态数据片段标记为第一标签，将未产生冻结步态的步态数据片段标记为第二标签；
训练步态标签形成单元：用于将每个步态数据片段与第一标签和第二标签一一对应保存为训练步态标签。
本发明一实施例中，所述分割单元具体包括：
第一配置子单元：配置一个固定窗宽的滑动时间窗遍历整个步态数据；
第二配置子单元：配置滑动时间窗每次移动的步长；
数据片段提取单元：提取滑动时间窗每次移动时处于滑动时间窗内的步态数据，获得若干步态数据片段。
本发明一实施例中，所述预处理模块230具体包括：
数据集成单元：用于将三轴加速度数据集成为加速度信号acc，将三轴角速度数据集成为欧拉角信号euler；
数据归约单元：用于将加速度信号acc和欧拉角信号euler的数值聚集至时间轴附近；
数据清理单元：将聚集至时间轴附近的加速度信号acc和欧拉角信号euler进行低通滤波处理，得到清理后的加速度信号
Figure BDA0003762832490000161
和欧拉角信号
Figure BDA0003762832490000162
本发明一实施例中，所述第一参数生成模块250具体包括：
第一特征参数获取单元：用于计算细节分量和近似分量中包含数据的绝对值中的最大值并取对数，得到第一特征参数；
第二特征参数获取单元：用于计算细节分量和近似分量中包含数据的平方和与数据长度的比值并取对数，得到第二特征参数；
第三特征参数获取单元：用于计算细节分量和近似分量中包含数据的绝对值的平均值并取对数，得到第三特征参数。
本发明一实施例中，所述数据集成单元包括：
加速度信号集成子单元：用于通过如下算式，将三轴加速度数据集成为加速度信号acc；
Figure BDA0003762832490000163
其中，acc为加速度信号；accx为X轴加速度数据；accy为Y轴加速度数据；accz为Z轴加速度数据。
欧拉角生成子单元：用于利用四元数计算三轴角速度数据在X轴、Y轴和Z轴方向上的欧拉角eulerx、eulery和eulerz；
欧拉角信号集成子单元：用于通过如下算式，将eulerx、eulery和eulerz集成为欧拉角信号euler；
Figure BDA0003762832490000164
其中，euler为欧拉角信号；eulerx为利用四元数计算出的X轴欧拉角；eulery为利用四元数计算出的Y轴欧拉角；eulerz为利用四元数计算出的Z轴欧拉角。
本发明一实施例中，所述模型生成模块260具体包括：
训练特征生成单元：用于基于matlab环境下使用随机森林算法将训练步态标签作为训练标签，将训练步态参数作为训练特征；
训练样本集生成单元：用于将所有片段的训练标签和训练特征组合形成训练样本集；
冻结步态检测模型生成单元：用于将训练样本集输入至TreeBagger训练函数中，得到训练好的冻结步态检测模型。
本发明一实施例中，所述结果输出模块280具体用于：
基于随机森林算法将待检测参数和训练好的冻结步态检测模型作为待检测特征输入至matlab中的predict函数中；
如果输出结果为第一标签则表明产生冻结步态；
如果输出结果为第二标签则表明未产生冻结步态。
本申请的实施例还提供能够实现上述实施例中的一种基于随机森林算法的冻结步态检测方法中全部步骤的一种电子设备的具体实施方式，参见图3，电子设备300具体包括如下内容：
处理器310、存储器320、通信单元330和总线340；
其中，处理器310、存储器320、通信单元330通过总线340完成相互间的通信；通信单元330用于实现服务器端设备以及终端设备等相关设备之间的信息传输。
处理器310用于调用存储器320中的计算机程序，处理器执行计算机程序时实现上述实施例中的一种基于随机森林算法的冻结步态检测方法中的全部步骤。
本领域普通技术人员应理解：存储器可以是，但不限于，随机存取存储器(RandomAccess Memory，简称：RAM)，只读存储器(Read Only Memory，简称：ROM)，可编程只读存储器(Programmable Read-OnlyMemory，简称：PROM)，可擦除只读存储器(ErasableProgrammable Read-Only Memory，简称：EPROM)，电可擦除只读存储器(ElectricErasable Programmable Read-Only Memory，简称：EEPROM)等。其中，存储器用于存储程序，处理器在接收到执行指令后，执行程序。进一步地，上述存储器内的软件程序以及模块还可包括操作系统，其可包括各种用于管理系统任务(例如内存管理、存储设备控制、电源管理等)的软件组件和/或驱动，并可与各种硬件或软件组件相互通信，从而提供其他软件组件的运行环境。
处理器可以是一种成电路芯片，具有信号的处理能力。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称：CPU)、网络处理器(NetworkProcessor，简称：NP)等。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本申请还提供一种计算机可读存储介质，所述计算机可读存储介质包括程序，所述程序在被处理器执行时用于执行前述任一方法实施例提供的一种基于随机森林算法的冻结步态检测方法。
本领域普通技术人员应理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质，具体的介质类型本申请不做限制。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (10)

1.一种基于随机森林算法的冻结步态检测方法，其特征在于，所述方法包括以下步骤：
采集患者行走过程中脚部的步态数据并录制行走视频，所述步态数据包括三轴加速度数据和三轴角速度数据；
对步态数据进行分段形成训练步态数据片段，根据行走视频对训练步态数据片段进行标记形成是否产生冻结步态的人工标签，训练步态数据片段与对应的人工标签形成训练步态标签；
对训练步态数据片段进行预处理形成预处理数据；
对预处理数据进行小波变换，得到细节分量和近似分量；
根据细节分量和近似分量进行统计学分析，得到训练步态参数；
将训练步态标签和训练步态参数输入至随机森林算法进行训练，得到训练好的冻结步态检测模型；
采集患者的待检测步态数据片段根据小波变换和统计学分析形成待检测步态参数；
将待检测步态参数和训练好的冻结步态检测模型共同输入至随机森林算法中，得到冻结步态检测结果。
2.如权利要求1所述的一种基于随机森林算法的冻结步态检测方法，其特征在于，所述对步态数据进行分段形成训练步态数据片段，根据行走视频对训练步态数据片段进行标记形成是否产生冻结步态的人工标签，训练步态数据片段与对应的人工标签形成训练步态标签具体包括：
将步态数据分成若干步态数据片段；
根据每个步态数据片段对应的行走视频为相应的步态数据片段增加是否产生冻结步态的人工标签；
将产生冻结步态的步态数据片段标记为第一标签，将未产生冻结步态的步态数据片段标记为第二标签；
将每个步态数据片段与第一标签和第二标签一一对应保存为训练步态标签。
3.如权利要求2所述的一种基于随机森林算法的冻结步态检测方法，其特征在于，所述将步态数据分成若干步态数据片段具体包括：
配置一个固定窗宽的滑动时间窗遍历整个步态数据；
配置滑动时间窗每次移动的步长；
提取滑动时间窗每次移动时处于滑动时间窗内的步态数据，获得若干步态数据片段。
4.如权利要求1所述的一种基于随机森林算法的冻结步态检测方法，其特征在于，所述对训练步态数据片段进行预处理形成预处理数据具体包括：
将三轴加速度数据集成为加速度信号acc，将三轴角速度数据集成为欧拉角信号euler；
将加速度信号acc和欧拉角信号euler的数值聚集至时间轴附近；
将聚集至时间轴附近的加速度信号acc和欧拉角信号euler进行低通滤波处理，得到清理后的加速度信号
Figure FDA0003762832480000021
和欧拉角信号
Figure FDA0003762832480000022
5.如权利要求1所述的一种基于随机森林算法的冻结步态检测方法，其特征在于，所述根据细节分量和近似分量进行统计学分析，得到训练步态参数具体包括：
计算细节分量和近似分量中包含数据的绝对值中的最大值并取对数，得到第一特征参数；
计算细节分量和近似分量中包含数据的平方和与数据长度的比值并取对数，得到第二特征参数；
计算细节分量和近似分量中包含数据的绝对值的平均值并取对数，得到第三特征参数；
基于第一特征参数、第二特征参数和第三特征参数组合形成训练步态参数。
6.如权利要求4所述的一种基于随机森林算法的冻结步态检测方法，其特征在于，所述将三轴加速度数据集成为加速度信号acc，具体包括：
通过如下算式，将三轴加速度数据集成为加速度信号acc；
Figure FDA0003762832480000031
其中，acc为加速度信号；accx为X轴加速度数据；accy为Y轴加速度数据；accz为Z轴加速度数据；
所述将三轴角速度数据集成为欧拉角信号euler，具体包括：
利用四元数计算三轴角速度数据在X轴、Y轴和Z轴方向上的欧拉角eulerx、eulery和eulerz；
通过如下算式，将eulerx、eulery和eulerz集成为欧拉角信号eulery；
Figure FDA0003762832480000032
其中，eulery为欧拉角信号；eulerx为利用四元数计算出的X轴欧拉角；eulery为利用四元数计算出的Y轴欧拉角；eulerz为利用四元数计算出的Z轴欧拉角。
7.如权利要求1所述的一种基于随机森林算法的冻结步态检测方法，其特征在于，所述将训练步态标签和训练步态参数输入至随机森林算法进行训练，具体包括：
基于matlab环境下使用随机森林算法将训练步态标签作为训练标签，将训练步态参数作为训练特征；
将所有片段的训练标签和训练特征组合形成训练样本集；
将训练样本集输入至TreeBagger训练函数中，得到训练好的冻结步态检测模型。
8.如权利要求2所述的一种基于随机森林算法的冻结步态检测方法，其特征在于，所述将待检测步态参数和训练好的冻结步态检测模型共同输入至随机森林算法中，具体包括：
基于随机森林算法将待检测参数和训练好的冻结步态检测模型作为待检测特征输入至matlab中的predict函数中；
如果输出结果为第一标签则表明产生冻结步态；
如果输出结果为第二标签则表明未产生冻结步态。
9.一种冻结步态的检测装置，其特征在于，所述装置包括：
采集录制模块：用于采集患者行走过程中脚部的步态数据并录制行走视频，所述步态数据包括三轴加速度数据和三轴角速度数据；
标签增加模块：用于对步态数据进行分段形成训练步态数据片段，根据行走视频对训练步态数据片段进行标记形成是否产生冻结步态的人工标签，训练步态数据片段与对应的人工标签形成训练步态标签；
预处理模块：用于对训练步态数据片段进行预处理形成预处理数据；
数据变换模块：用于对预处理数据进行小波变换，得到细节分量和近似分量；
第一参数生成模块：用于根据细节分量和近似分量进行统计学分析，得到训练步态参数；
模型生成模块：用于将训练步态标签和训练步态参数输入至随机森林算法进行训练，得到训练好的冻结步态检测模型；
第二参数生成模块：用于采集患者的待检测步态数据片段根据小波变换和统计学分析形成待检测步态参数；
结果输出模块：用于将待检测步态参数和训练好的冻结步态检测模型共同输入至随机森林算法中，得到冻结步态检测结果。
10.一种电子设备，其特征在于，包括：
处理器、存储器、与网关通信的接口；
存储器用于存储程序和数据，所述处理器调用存储器存储的程序，以执行权利要求1至8任一项所述的方法。
CN202210877207.1A 2022-07-25 2022-07-25 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 Active CN115171886B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210877207.1A CN115171886B (zh) 2022-07-25 2022-07-25 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210877207.1A CN115171886B (zh) 2022-07-25 2022-07-25 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

Publications (2)

Publication Number Publication Date
CN115171886A true CN115171886A (zh) 2022-10-11
CN115171886B CN115171886B (zh) 2023-03-24

Family

ID=83496355

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210877207.1A Active CN115171886B (zh) 2022-07-25 2022-07-25 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

Country Status (1)

Country Link
CN (1) CN115171886B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101632587A (zh) * 2009-08-05 2010-01-27 南京大学 一种基于小波变换的步态信号提取方法
CN102663374A (zh) * 2012-04-28 2012-09-12 北京工业大学 基于多特征属性的多类别Bagging步态识别方法
CN104598722A (zh) * 2014-12-25 2015-05-06 中国科学院合肥物质科学研究院 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
CN108629304A (zh) * 2018-04-26 2018-10-09 深圳市臻络科技有限公司 一种冻结步态在线检测方法
CN109255339A (zh) * 2018-10-19 2019-01-22 西安电子科技大学 基于自适应深度森林人体步态能量图的分类方法
US20200375501A1 (en) * 2019-05-31 2020-12-03 Georgetown University Assessing diseases by analyzing gait measurements
CN112057080A (zh) * 2020-08-10 2020-12-11 华中科技大学 一种基于分阶段特征提取的冻结步态检测方法和系统
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
CN113812964A (zh) * 2021-08-02 2021-12-21 杭州航弈生物科技有限责任公司 脑电特征的代理测量及伪多模态冻结步态检测方法、装置
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
CN114445910A (zh) * 2021-12-27 2022-05-06 沈阳康泰电子科技股份有限公司 步态视角检测方法和装置以及步态识别方法和装置
CN114495152A (zh) * 2021-12-16 2022-05-13 深圳大学 一种步态数据分类方法、计算机可读存储介质及装置

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101632587A (zh) * 2009-08-05 2010-01-27 南京大学 一种基于小波变换的步态信号提取方法
CN102663374A (zh) * 2012-04-28 2012-09-12 北京工业大学 基于多特征属性的多类别Bagging步态识别方法
CN104598722A (zh) * 2014-12-25 2015-05-06 中国科学院合肥物质科学研究院 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
CN108629304A (zh) * 2018-04-26 2018-10-09 深圳市臻络科技有限公司 一种冻结步态在线检测方法
CN109255339A (zh) * 2018-10-19 2019-01-22 西安电子科技大学 基于自适应深度森林人体步态能量图的分类方法
US20200375501A1 (en) * 2019-05-31 2020-12-03 Georgetown University Assessing diseases by analyzing gait measurements
CN112057080A (zh) * 2020-08-10 2020-12-11 华中科技大学 一种基于分阶段特征提取的冻结步态检测方法和系统
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
CN113812964A (zh) * 2021-08-02 2021-12-21 杭州航弈生物科技有限责任公司 脑电特征的代理测量及伪多模态冻结步态检测方法、装置
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
CN114495152A (zh) * 2021-12-16 2022-05-13 深圳大学 一种步态数据分类方法、计算机可读存储介质及装置
CN114445910A (zh) * 2021-12-27 2022-05-06 沈阳康泰电子科技股份有限公司 步态视角检测方法和装置以及步态识别方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
何正义等: "一种集成卷积神经网络和深信网的步态识别与模拟方法", 《山东大学学报(工学版)》 *
宋金辉等: "综合训练改善帕金森病患者冻结步态的研究", 《实用医学杂志》 *
王琰等: "一种基于惯性传感器的帕金森病冻结步态识别方法研究", 《临床神经外科杂志》 *

Also Published As

Publication number Publication date
CN115171886B (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
CN109858244B (zh) 一种容器内进程异常行为检测方法与系统
KR100847143B1 (ko) 실시간 동영상의 실루엣 기반 대상체 행동 분석 시스템 및방법
EP2985572A1 (en) Step counting method and apparatus
CN111089604B (zh) 基于可穿戴传感器的健身运动识别方法
CN107358248B (zh) 一种提高跌倒检测系统精度的方法
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
CN111048205A (zh) 对帕金森病症状进行评估的方法与装置
CN111914665A (zh) 一种人脸遮挡检测方法、装置、设备及存储介质
EP2624171A2 (en) Method and node for analysing periodic movements
CN111288986A (zh) 一种运动识别方法及运动识别装置
CN107169334B (zh) 用于手部可穿戴设备的基于直拳动作检测的用户认证方法
CN106909086B (zh) 一种异常数据的检测方法及其装置
CN116309676A (zh) 一种冠脉血管图像分割方法、装置、电子设备及存储介质
CN109498001B (zh) 睡眠质量评估方法和装置
CN115171886B (zh) 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
CN111428690B (zh) 一种基于步态信号拓扑分析的身份认证方法
CN106770151A (zh) 一种快速检测拉曼光谱信号的方法及装置
US9026477B2 (en) Method for identifying a person's posture
CN115188468B (zh) 一种基于支持向量机的冻结步态检测方法、装置、设备和存储介质
JP7489729B2 (ja) 転倒危険予防方法およびこのような方法を遂行する装置
CN113657315B (zh) 人脸图像的质量筛选方法、装置、设备及存储介质
CN112598646B (zh) 电容缺陷检测方法、装置、电子设备及存储介质
Pappa et al. Multichannel symbolic aggregate approximation intelligent icons: Application for activity recognition
CN114533010A (zh) 心率检测方法和装置
CN109389089B (zh) 基于人工智能算法的多人行为识别方法及装置

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