《一种步态功能评估方法.pdf》由会员分享,可在线阅读,更多相关《一种步态功能评估方法.pdf(16页珍藏版)》请在专利查询网上搜索。
1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201810971817.1 (22)申请日 2018.08.24 (71)申请人 广东工业大学 地址 510090 广东省广州市越秀区东风东 路729号 (72)发明人 韦宇炜 何汉武 李晋芳 贺刚 (74)专利代理机构 佛山帮专知识产权代理事务 所(普通合伙) 44387 代理人 胡丽琴 (51)Int.Cl. A61B 5/11(2006.01) A61B 5/00(2006.01) (54)发明名称 一种步态功能评估方法 (57)摘要 本发明提出了一种步态功能评估方法, 。
2、包括 以下步骤: 步骤10, 获取健康成人及患有运动功 能障碍疾病患者的步态特征的数据组; 步骤20, 对所述步态特征的数据组进行预处理, 所述预处 理包括缺失数据的填补和异常数据的剔除; 步骤 30, 根据信息增益值选择部分步态特征作为关键 步态特征; 步骤40, 根据所述关键步态特征, 求解 SVM分类器的最优模型; 步骤50, 获取待测试者的 所述关键步态特征的数据组, 然后通过所述最优 模型评估步态功能是否异常。 本发明通过选取对 步态功能影响较大的步态特征建立评估模型, 从 而可科学、 客观、 准确、 直观地对步态功能进行评 估。 权利要求书2页 说明书11页 附图2页 CN 109。
3、009148 A 2018.12.18 CN 109009148 A 1.一种步态功能评估方法, 其特征在于, 包括以下步骤: 步骤10, 获取健康成人及患有运动功能障碍疾病患者的步态特征的数据组, 所述步态 特征包括周期、 步幅、 步速、 步频、 左步长、 右步长、 左支撑相、 右支撑相、 地反力、 表面肌力、 足偏角、 髋关节屈曲值、 髋关节伸展值、 膝关节屈曲值、 膝关节伸展值、 关节力矩中的多种或 全部; 步骤20, 对所述步态特征的数据组进行预处理, 所述预处理包括缺失数据的填补和异 常数据的剔除; 步骤30, 对所述步态特征的数据组分别进行编码分类, 将数据组中数值大小位于其相 应。
4、步态特征的标准范围内的用0表示, 数值大小位于其相应步态特征的标准范围外的用1表 示; 患有运动功能障碍疾病患者用0表示其数据组的类别标签, 健康成人用1表示其数据组 的类别标签; 然后根据编码分类后的数据组及类别标签分别计算所述步态特征的相应信息 增益值, 根据信息增益值从大到小的顺序依次选择部分步态特征作为关键步态特征; 步骤40, 根据健康成人及患有运动功能障碍疾病患者的所述关键步态特征的数据组进 行归一化处理, 并将归一化后的数据组平均划分为S份子样本, 其中的S-1份子样本作为训 练集, 其余的作为校验集; 分别通过可能形成的S种训练集确定相应SVM分类器的模型, 并通 过相应校验集。
5、分别对相应模型进行验证, 计算出相应模型的准确率, 以其中准确率最高的 模型作为最优模型; 步骤50, 获取待测试者的所述关键步态特征的数据组, 然后通过所述最优模型评估步 态功能是否异常。 2.如权利要求1所述步态功能评估方法, 其特征在于, 步骤10中, 所述健康成人在总样 本中的占比不低于20, 患有运动功能障碍疾病患者在中样本中的占比不低于20。 3.如权利要求1所述步态功能评估方法, 其特征在于, 步骤20中, 利用平均方法对所述 步态特征中的缺失数据进行填补, 利用最近邻插补法对所述步态特征中的异常数据进行剔 除。 4.如权利要求1所述步态功能评估方法, 其特征在于, 步骤30中,。
6、 所述关键步态特征占 所述步态特征的6080。 5.如权利要求1所述步态功能评估方法, 其特征在于, 步骤30中, 所述信息增益值的计 算公式为g(D,Ai)H(D)-H(D|Ai), 其中H(D)为所述步态特征的数据组的经验熵, H(D|Ai) 为相应步态特征Ai对所述步态特征的数据组的经验条件熵。 6.如权利要求5所述步态功能评估方法, 其特征在于, 设训练集的数据组为D, 数据组D 有K个类Ck, 则|D|为训练集的总样本个数, |Ck|为属于类Ck的样本个数, 其中k1,2,K; 设 步态特征Ai的取值将D划分为i个子集, 子集Di中属于类Ck的样本的集合为Dik, 则|Di|为Di 。
7、的样本个数, |Dik|为Dik的样本个数, 其中i1,2,i; 则经验熵H(D)和经验条件熵H(D|Ai) 的计算公式分别为: 。 权 利 要 求 书 1/2 页 2 CN 109009148 A 2 7.如权利要求1所述步态功能评估方法, 其特征在于, 所述SVM分类器的模型为f(x) sign(w*x+b*), 其中最优法向量w*和最优截距b*的值根据最优分界面的条件确定。 8.如权利要求7所述步态功能评估方法, 其特征在于, 所述最优分界面的条件为: s.t.yi(wxi+b)1- i,i1,2,N i0,i1,2,N 其中, w为法向量, b为截距, C为惩罚项参数, i为对应的样本。
8、点的松弛变量, yi为第i条 数据组的类别标签。 9.如权利要求8所述步态功能评估方法, 其特征在于, 所述最优分界面通过构建拉格朗 日函数求解, 所构建的拉格朗日函数为: i0, i0。 其中, i,i为拉格朗日乘子。 权 利 要 求 书 2/2 页 3 CN 109009148 A 3 一种步态功能评估方法 技术领域 0001 本发明涉及运动数据处理及评估技术领域, 具体涉及一种步态功能评估方法。 背景技术 0002 步态是人体行走的姿态, 其中包括了人体躯干、 上肢以及下肢的运动和配合。 在工 程领域, 对于步态的功能评估是步态分析中的一个重要内容, 在临床上, 它可以帮助临床医 生了解。
9、患者是否存在平衡功能障碍, 找出引起功能障碍的原因, 判断治疗手段是否有效; 在 日常生活中, 人们对步态功能评估的研究, 可以规避摔倒的风险, 降低摔倒带来的生命威胁 和身体损伤。 另外, 步态功能评估可反映运动功能的健全与否, 对于健康人, 尤其是老人和 儿童, 以及运动功能障碍的病人的生活和安全非常重要。 0003 目前, 步态功能评估方法中采用的通常是常规参数(如单侧下肢运动功能的评定 中使用时相百分比、 关节角度、 关节角速度、 加速度等)和肌肉特征(如肌肉收缩程度及其力 学特性参数等较微观的肌肉运动特征)这两种评定指标以及第三类评定指标(如表征步行 对称性质的步长对称指标、 地面反。
10、力对称指标, 表征下肢动作执行情况基于fitts定律的对 称指标等), 这种通过单个参数的比较从而对个体进行总体评价的方法无法客观、 准确地反 应待测试者的真实信息; 另外, 这种评估方法在步态功能分析方面大多依赖医生的经验以 及患者自身的感觉来评估, 缺乏科学性, 结果有可能会严重失实。 发明内容 0004 针对现有技术的不足, 本发明提出一种步态功能评估方法, 克服了现有技术中凭 个人经验判断对步态功能进行评估时主观性过强的缺点, 也避免了现有技术中仅通过单个 参数的比较对个体进行总体评估时无法客观、 准确地反应待测试者的真实信息的问题。 0005 本发明的技术方案是这样实现的: 一种步态。
11、功能评估方法, 包括以下步骤: 0006 步骤10, 获取健康成人及患有运动功能障碍疾病患者的步态特征的数据组, 所述 步态特征包括周期、 步幅、 步速、 步频、 左步长、 右步长、 左支撑相、 右支撑相、 地反力、 表面肌 力、 足偏角、 髋关节屈曲值、 髋关节伸展值、 膝关节屈曲值、 膝关节伸展值、 关节力矩中的多 种或全部; 0007 步骤20, 对所述步态特征的数据组进行预处理, 所述预处理包括缺失数据的填补 和异常数据的剔除; 0008 步骤30, 对所述步态特征的数据组分别进行编码分类, 将数据组中数值大小位于 其相应步态特征的标准范围内的用0表示, 数值大小位于其相应步态特征的标。
12、准范围外的 用1表示; 患有运动功能障碍疾病患者用0表示其数据组的类别标签, 健康成人用1表示其数 据组的类别标签; 然后根据编码分类后的数据组及类别标签分别计算所述步态特征的相应 信息增益值, 根据信息增益值从大到小的顺序依次选择部分步态特征作为关键步态特征; 0009 步骤40, 根据健康成人及患有运动功能障碍疾病患者的所述关键步态特征的数据 组进行归一化处理, 并将归一化后的数据组平均划分为S份子样本, 其中的S-1份子样本作 说 明 书 1/11 页 4 CN 109009148 A 4 为训练集, 其余的作为校验集; 分别通过可能形成的S种训练集确定相应SVM分类器的模型, 并通过相。
13、应校验集分别对相应模型进行验证, 计算出相应模型的准确率, 以其中准确率最 高的模型作为最优模型; 0010 步骤50, 获取待测试者的所述关键步态特征的数据组, 然后通过所述最优模型评 估步态功能是否异常。 0011 可选的, 所述健康成人在总样本中的占比不低于20, 患有运动功能障碍疾病患 者在中样本中的占比不低于20。 0012 可选的, 步骤20中, 利用平均方法对所述步态特征中的缺失数据进行填补, 利用最 近邻插补法对所述步态特征中的异常数据进行剔除。 0013 可选的, 步骤30中, 所述关键步态特征占所述步态特征的6080。 0014 可选的, 步骤30中, 所述信息增益值的计算。
14、公式为g(D,Ai)H(D)-H(D|Ai), 其中H (D)为所述步态特征的数据组的经验熵, H(D|Ai)为相应步态特征Ai对所述步态特征的数据 组的经验条件熵。 0015 可选的, 设训练集的数据组为D, 数据组D有K个类Ck, 则|D|为训练集的总样本个 数, |Ck|为属于类Ck的样本个数, 其中k1,2,K; 设步态特征Ai的取值将D划分为i个子集, 子集Di中属于类Ck的样本的集合为Dik, 则|Di|为Di的样本个数, |Dik|为Dik的样本个数, 其 中i1,2,i; 则所述经验熵H(D)和所述经验条件熵H(D|Ai)的计算公式分别为: 0016 0017 0018 可选的。
15、, 所述SVM分类器的模型为f(x)sign(w*x+b*), 其中最优法向量w*和最优 截距b*的值根据最优分界面的条件确定。 0019 可选的, 所述最优分界面的条件为: 0020 0021 s.t.yi(wxi+b)1- i,i1,2,N 0022 i0,i1,2,N 0023 其中, w为法向量, b为截距, C为惩罚项参数, i为对应的样本点的松弛变量, yi为第 i条数据组的类别标签。 0024 可选的, 所述最优分界面通过构建拉格朗日函数求解, 所构建的拉格朗日函数为: 0025 0026 其中, i,i为拉格朗日乘子。 0027 与现有技术相比, 本发明具有以下优点: 本发明通。
16、过求解信息增益值的方法先选 说 明 书 2/11 页 5 CN 109009148 A 5 取对步态功能影响较大的关键步态特征, 有效地剔除不相关或冗余的步态特征, 然后再通 过关键步态特征数据确定SVM分类器的最优模型, 提高了模型的精确度, 最后以该最优模型 作为评估模型对步态功能进行评估, 准确度更高, 且更客观、 科学, 可为医生或患者在诊断 待测试者的步态功能是否异常时提供参考。 附图说明 0028 为了更清楚地说明本发明实施例或现有技术中的技术方案, 下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍, 显而易见地, 下面描述中的附图仅仅是本 发明的一些实施例, 对于本领。
17、域普通技术人员来讲, 在不付出创造性劳动性的前提下, 还可 以根据这些附图获得其他的附图。 0029 图1为本发明步态功能评估方法实施例一的流程图; 0030 图2为本发明步态功能评估方法实施例二的流程图。 具体实施方式 0031 下面将结合本发明实施例中的附图, 对本发明实施例中的技术方案进行清楚、 完 整地描述, 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。 0032 图1为本发明步态功能评估方法实施例一的流程图, 参阅图1, 本发明公开的步。
18、态 功能评估方法, 包括以下步骤: 0033 步骤10, 获取健康成人及患有运动功能障碍疾病患者的步态特征的数据组; 0034 本发明实施例中的步态特征, 是指可能会对步态的功能评估有影响的步态特征特 征, 如周期、 步幅、 步速、 步频、 左步长、 右步长、 左支撑相、 右支撑相、 地反力、 表面肌力、 足偏 角、 髋关节屈曲值、 髋关节伸展值、 膝关节屈曲值、 膝关节伸展值、 关节力矩等, 本发明实施 例中所获取的步态特征可为其中的多种或全部。 0035 其中, 可通过三维步态捕捉仪器对相应步态特征进行采集数据。 另外, 在选取样本 的过程中, 样本的年龄应均匀分布在2070之间, 男女比。
19、例尽可能维持在1:1, 样本中受试 者人数应数不低于50人。 而且, 在采集步态特征的数据组的过程中, 每次采集10次, 从中选 择采集最好的一次, 以提高评估模型的准确性。 0036 进一步的, 所采取的样本个数应不低于1500例, 样本个数越高则所建立的模型越 准确。 而且, 患有运动功能障碍疾病患者的占比应不低于20, 健康成人的占比应不低于 20, 避免样本的正负不平衡影响模型的准确率。 0037 步骤20, 对所述步态特征的数据组进行预处理, 所述预处理包括缺失数据的填补 和异常数据的剔除; 0038 本发明实施例中, 步骤10中步态特征的数据组可能会存在不完整、 存在异常的问 题,。
20、 会对后续的模型的建立造成一定影响, 因此这里需要先对步态特征的数据进行预处理, 提高数据的质量。 如: 0039 当步态特征的数据组不完整或存在插空值时, 可利用平均方法对所述步态特征中 的缺失数据进行填补, 即通过求平均值的方法进行填补; 说 明 书 3/11 页 6 CN 109009148 A 6 0040 当步态特征的数据组中存在异常数据(如数据过大或过小, 明显不符合常规的数 值)时, 利用最近邻插补法对所述步态特征中的异常数据进行剔除, 即在记录中找到与该样 本数据最佳捷径的样本的该属性值进行插补。 0041 步骤30, 通过求解信息增益的方法, 在所述步态特征中选取关键步态特征。
21、; 其包括 以下子步骤: 0042 步骤301, 对所述步态特征的数据组分别进行编码分类: 将数据组中数值大小位于 其相应步态特征的标准范围内的用0表示, 数值大小位于其相应步态特征的标准范围外的 用1表示; 0043 步骤302, 对数据组的类别进行分类: 患有运动功能障碍疾病患者用0表示其数据 组的类别标签, 健康成人用1表示其数据组的类别标签; 0044 步骤303, 选取关键步态特征: 根据编码分类后的数据组及类别标签分别计算所述 步态特征的相应信息增益值, 根据信息增益值从大到小的顺序依次选择部分步态特征作为 关键步态特征; 0045 具体的, 信息增益值的计算公式为g(D,Ai)H。
22、(D)-H(D|Ai), 其中H(D)为所述步态 特征的数据组的经验熵, H(D|Ai)为相应步态特征Ai对所述步态特征的数据组的经验条件 熵。 设训练集的数据组为D, 数据组D有K个类Ck, 则|D|为训练集的总样本个数, |Ck|为属于类 Ck的样本个数, 其中k1,2,K; 设步态特征Ai的取值将D划分为i个子集, 子集Di中属于类 Ck的样本的集合为Dik, 则|Di|为Di的样本个数, |Dik|为Dik的样本个数, 其中i1,2,i; 则 所述经验熵H(D)和所述经验条件熵H(D|Ai)的计算公式分别为: 0046 0047 0048 在本发明实施例中, 数据组D只有两类, 即健康。
23、成人(C11)和患有运动功能障碍 疾病患者(C20); 步态特征Ai的取值将D划分为2个子集, 即步态特征Ai的数据组的数值在 正常范围的子集(即D10)和步态特征Ai的数据组的数值不在正常范围的子集(即D21)。 因此, 上述经验熵H(D)和所述经验条件熵H(D|Ai)的计算公式可转化为: 0049 0050 0051 其中, |D11|表示步态特征Ai的数据组的数值在正常范围内时健康成人的样本个 数; |D21|表示步态特征Ai的数据组的数值不在正常范围内时健康成人的样本个数; |D12|表 说 明 书 4/11 页 7 CN 109009148 A 7 示步态特征Ai的数据组的数值在正常。
24、范围内时患有运动功能障碍疾病患者的样本个数; | D22|表示步态特征Ai的数据组的数值不在正常范围内时健康成人的样本个数。 0052 另外, 还可通过求解基尼指数和信息增益比的分析方法选取关键步态特征, 这些 分析方法都可在步态特征中选取对步态功能影响较大的关键步态特征。 0053 进一步的, 按相应步态特征的信息增益值从大到小排列, 选择其中最大的60 80的步态特征作为关键步态特征。 本发明实施例通过选取关键步态特征, 可有效剔除不 相关或冗余的步态特征, 从而提高模型精确度; 另一方面, 可优先选取出真正相关步态特征 的简化模型。 0054 步骤40, 根据健康成人及患有运动功能障碍疾。
25、病患者的所述关键步态特征确定 SVM分类器的模型; 其具体包括以下子步骤: 0055 步骤401, 对所述关键步态特征的数据组进行归一化处理, 归一化的公式为: 0056 0057 x为其中一待归一化的步态特征的数据值大小, xmax为该步态特征的数据组中的最 大值, xmin为该步态特征的数据组中的最小值。 0058 步骤402, 将归一化后的数据组平均划分为S份子样本, 其中的S-1份子样本作为训 练集, 其余的作为校验集, 通过训练集确定SVM分类器的模型, 并通过校验集对所述模型进 行验证, 计算出所述模型的准确率; 0059 步骤403, 将可能出现的S种分类器模型按照步骤402进行。
26、训练, 以S次测评中准确 率最高的模型作为最优模型。 本发明实施例中, SVM分类器的模型为f(x)sign(w*x+b*), 根 据最优分界面的条件可确定最优法向量w*和最优截距b*的值。 0060 进一步的, 由于所有的数据并不是那么干净, 不可能100线性可分, 因此本发明 实施例在最优分界面条件中引入松弛变量 i, 允许有些数据点可以处于分割面的错误的一 侧, 便于求出最优法向量w*和最优截距b*的值, 则此时最优分界面的条件为: 0061 0062 s.t.yi(wxi+b)1- i,i1,2,N 0063 i0,i1,2,N 0064 其中, w为法向量, b为截距, 常数C为惩罚。
27、项参数, i为对应的样本的松弛变量, xi表 示第i条数据组, yi为第i条数据组的类别标签。 为此, 引入拉格朗日乘子 i, 用条件极值求解 最优分界面, 因此根据最优分界面的条件构造的拉格朗日函数为: 0065 0066 该拉格朗日函数中,i也为拉格朗日乘子, i0, i0。 0067 其中, 最优化界面的条件的对偶问题为: 0068 说 明 书 5/11 页 8 CN 109009148 A 8 0069 0070 C- i- i0 0071 i0 0072 i0,i1,2,N 0073 由于该对偶问题为凸二次规划问题, 故解满足KKT条件, 因此可得: 0074 0075 0076 0。
28、077 0078 0079 0080 0081 0082 0083设为对偶问题的解, 则可通过上述方程得最优法向量w*和最 优截距b*的值为: 0084 0085 0086因此, 也可得到分离超平面为: 0087 由于在对偶问题中, 无论是目标函数还是决策函数都只涉及到输入实例与实例之 间的内积, 对偶问题的目标函数中的内积(xixj)可以用核函数K(xi,xj)(xixj)来代 替, 此时对偶问题的目标函数为: 0088 0089 0090 0 iC,i1,2,N 说 明 书 6/11 页 9 CN 109009148 A 9 0091此时, SVM分类器的模型可转化为:因此只要确 定拉格朗。
29、日乘子即可确定SVM分类器的模型。 0092 由于拉格朗日乘子 i满足KKT条件, 因此设 1、 2为变量, 3, 4, N为定量, 则由 目标函数中的约束方程可知当 2可确定, 则知 1也随之确 定。 因此, 可将对偶问题的目标函数转化为: 0093 0094 0095 0 iC,i1,2 0096 其中Kijxixj, 如K11x1x2, K12x1x2等, 设上述方程的初始解为 最优解为并且假设在约束向未经剪辑时 2的最优解为 0097由于需要满足不等式约束条件0 iC,i1,2,所以最优值的取值范 围为:因此有: 0098若y1y2,则有 0099若y1y2, 则有 0100 在更新 。
30、1, 2的过程中, 应满足如下等式: 0101 0102 0103其中, 0104因此, 通过不断调整使其满足上述方程, 即使 i满足KKT条件, 最终求 出 1, 2的最优解, 同理可以求出 3, 4, N的最优解, 从而最终确定拉格朗日乘子的最 优解。 0105 步骤50, 获取待测试者的所述关键步态特征的数据组, 然后通过SVM分类器的最优 模型评估待测试者的步态功能是否异常。 说 明 书 7/11 页 10 CN 109009148 A 10 0106 本发明实施例中, 通过采用求解信息增益值的方法选择对步态功能影响较大的关 键步态特征, 剔除了不相关或冗余的步态特征, 然后根据关键步。
31、态特征构建最优SVM分类器 模型, 提高了模型精确度。 本发明通过选取真正对预测有价值的信息属性, 排除多重相关属 性间的互相干扰, 使预测结果更准确。 0107 图2为本发明步态功能评估方法实施例二的流程图, 参阅图2, 一种步态功能评估 方法, 包括以下步骤: 0108 步骤100, 获取健康成人及患有运动功能障碍疾病患者的步态特征的数据组; 其 中, 所述步态特征包括周期、 步幅、 步速、 步频、 左步长、 右步长、 左支撑相、 右支撑相、 地反 力、 表面肌力、 足偏角、 髋关节屈曲值、 髋关节伸展值、 膝关节屈曲值、 膝关节伸展值、 关节力 矩中的多种或全部; 0109 如表1中所采。
32、集到的一个样本为例: 0110 0111 表1 0112 该样本中所采集的步态特征分别为周期、 步幅、 步速、 步频、 左步长、 右步长、 左支 撑相和右支撑相, 设x1,x2,x3,x4,x5,x6,x7,x8分别表示周期、 步幅、 步速、 步频、 左步长、 右步 长、 左支撑相、 右支撑相, xij为第i行第j列个数据。 如序号为3的步速为112, 即x33表示为 112。 0113 步骤200, 对所述步态特征的数据组进行预处理, 所述预处理包括缺失数据的填补 和异常数据的剔除; 0114 当存在空值时, 可采用平均值填补。 如表1中, x57为空值, 可采用平均值代替, 即 0115 。
33、当存在异常数据时, 采用最近邻插补法进行剔除, 即在记录中找到与该样本数据 最佳捷径的样本的该属性值进行插补。 如表1中, 周期都在1s左右, 而序号为4的周期为2.2, 在步速、 步频等参数和其他序号的参数大致相同的情况下, 不应该会出现这么大的差别, 推 测估计有可能是测量过程或者在记录过程中说产生的误差, 对于该异常数据, 通过分析发 现, 序号为3的各参数与序号为4的各参数几乎相同, 则可用序号为3的周期数值1.04来取代 序号4的周期数值。 0116 步骤300, 通过求解信息增益值的方法, 在所述步态特征中选取关键步态特征, 其 包括以下子步骤: 0117 步骤301, 对所述步态。
34、特征的数据组分别进行编码分类: 将数据组中数值大小位于 其相应步态特征的标准范围内的用0表示, 数值大小位于其相应步态特征的标准范围外的 说 明 书 8/11 页 11 CN 109009148 A 11 用1表示; 0118 步骤302, 对数据组的类别进行分类: 患有运动功能障碍疾病患者用0表示其数据 组的类别标签, 健康成人用1表示其数据组的类别标签; 0119 步骤303, 选取关键步态特征: 根据编码分类后的数据组及类别标签分别计算所述 步态特征的相应信息增益值, 根据信息增益值从大到小的顺序依次选择部分步态特征作为 关键步态特征; 0120 如在本申请采集的其中一部分样本数据中, 。
35、如表2所示: 0121 0122 表2 0123 由于各步态特征中, 周期的标准范围为1s1.32s, 步幅的标准范围为100cm 160cm, 步速的标准范围为110cm/s160cm/s, 步频的标准范围为95steps/min125steps/ min, 左步长的标准范围为50cm80cm, 右步长的标准范围为50cm80cm, 左支撑相的标准 范围为5565, 右支撑相的标准范围为5565。 因此, 表2经编码处理后可得表3: 0124 0125 表3 0126 由此可见, 本发明实施例中, 求解信息增益值的过程与实施例一相同, 因此同理 有: 说 明 书 9/11 页 12 CN 1。
36、09009148 A 12 0127经验熵: 0128经验条件熵: 0129 其中, |D11|表示步态特征Ai的数据组的数值在正常范围内时健康成人的样本个 数; |D21|表示步态特征Ai的数据组的数值不在正常范围内时健康成人的样本个数; |D12|表 示步态特征Ai的数据组的数值在正常范围内时患有运动功能障碍疾病患者的样本个数; | D22|表示步态特征Ai的数据组的数值不在正常范围内时健康成人的样本个数。 0130 因此根据信息增益值g(D,Ai)H(D)-H(D|Ai), 可求解处相应步态特征的信息增 益值。 0131如以表3为例, 该样本的经验熵为 0132 该样本中周期的相应信息增。
37、益值为: 0133 0134 同理可以求出步幅、 步速、 步频、 左步长、 右步长、 左支撑相、 右支撑相等相应步态 特征的信息增益值分别为0.263、 0.556、 0.72、 0.72、 0.59、 0.228、 0.99。 0135 由于信息增益值越大则对步态功能的影响也越大; 其中, 所选取的对步态功能影 响较大的步态特征占步骤10中所获取的的步态特征的6080, 最优占比为70左右。 0136 如表3中, 由于步态特征A8(右支撑相)的信息增益值最大, 所以选择A8作为最优步 态特征, 根据信息增益值大小可以依次选择部分步态特征为关键步态特征, 当取步态特征 个数n为5, 则最优步态。
38、特征依次为右支撑相、 步频、 左步长、 右步长、 步速。 0137 步骤400, 根据所述关键步态特征确定SVM分类器的模型: 根据健康成人及患有运 动功能障碍疾病患者的所述关键步态特征的数据组进行归一化处理, 并将归一化后的数据 组平均划分为S份子样本, 其中的S-1份子样本作为训练集, 其余的作为校验集; 分别通过可 能形成的S种训练集确定相应SVM分类器的模型, 并通过相应校验集分别对相应模型进行验 证, 计算出相应模型的准确率, 以其中准确率最高的模型作为最优模型; 0138 以表3为例, 由于最优步态特征为右支撑相、 步频、 左步长、 右步长、 步速, 此时以这 几个步态特征的数据组。
39、进行训练, 确定SVM分类器的模型。 0139 本发明实施例中, S-1份子样本作为训练集和1份校验集, 有可能会出现S种SVM分 类器的模型, 如当S7, 即将该步态特征的数据平均分为7个小样本, 编号分别为1、 2、 3、 4、 5、 6、 7, 取其中的6份作为训练集, 1份作为校验集, 则可有7种组合方式。 例如, 编号1的小样 本作为校验集, 剩下编号为2、 3、 4、 5、 6的小样本作为训练集; 编号2的小样本作为校验集, 剩 下编号为1、 3、 4、 5、 6的小样本作为训练集, 依次类推, 第七次则是把编号7的小样本作为校 说 明 书 10/11 页 13 CN 109009。
40、148 A 13 验集, 编号为1、 2、 3、 4、 5、 6的小样本作为训练集。 因此, 本发明分别对这七种组合方式进行 训练和校验, 选取其中准确率最高的分类器模型作为最优模型, 可有效提高评估模型的精 确度。 0140 本发明实施例中, SVM分类器的模型f(x)sign(w*x+b*)的确定过程与实施例1相 同, 因此有: 0141 0142 0143其中,为拉格朗日乘子, yi为第i条数据的类别标签, xi为第i条数据, xj为第i列 数据。 以表2、 表3为例, x1代表序号为1的数据(1.11,39,35,118,74,82,58,60), 此时y1代表 序号为1的类别标签0(。
41、即不患病)。 0144为拉格朗日乘子的确定过程与实施例一相同, 这里就不再一一赘述。 0145 步骤500, 获取待测试者的关键步态特征的数据组, 然后通过所述最优模型评估步 态功能是否异常。 0146 最优模型建立好后, 通过采集待测试者的关键步态特征, 将这些关键步态特征的 数据组代入最优模型, 即可完成对待测试者的步态功能评估。 0147 本发明通过求解信息增益值的方法先选取对步态功能影响较大的步态特征, 再通 过所选取的步态特征数据确定SVM分类器的最优模型, 以该最优模型作为评估模型对步态 功能进行评估, 准确度更高, 避免了个人主观性判断和单个参数性判断的问题, 客观且科 学。 0148 以上所述仅为本发明的较佳实施例而已, 并不用以限制本发明, 凡在本发明的精 神和原则之内, 所作的任何修改、 等同替换、 改进等, 均应包含在本发明的保护范围之内。 说 明 书 11/11 页 14 CN 109009148 A 14 图1 说 明 书 附 图 1/2 页 15 CN 109009148 A 15 图2 说 明 书 附 图 2/2 页 16 CN 109009148 A 16 。