[发明专利]一种冻结步态在线检测方法

权利要求书

1.一种冻结步态在线检测方法，其特征在于，包括：

获取患者离线步行过程中的离线步态数据和离线步态视频，所述离线步态数据包括大腿加速度、大腿角速度、小腿加速度、小腿角速度以及足底压力；

以预设的时间长度和固定的时间间隔分割所述离线步态数据和离线步态视频，获得若干个窗口数据和窗口视频；

根据所述窗口数据对应的所述窗口视频，标记所述窗口数据的步态类型，所述步态类型为冻结步态或者正常步态；

通过如下算式，计算获得第一特征向量；

其中，FI为第一特征向量；W(t,f)是对所述大腿加速度、所述小腿加速度或所述足底压力w(t)进行短时傅里叶变换(STFT)后的频域信号；

通过如下算式，计算频域信号在[3Hz,8Hz]频带的能量E作为第二特征向量：

以所述大腿角速度或所述小腿角速度作为第三特征向量；

通过如下算式，计算大腿或小腿分别偏离垂直方向的夹角θ作为第四特征向量

其中，a为大腿加速度或小腿加速度，g为重力加速度；

根据所述窗口数据的步态类型和所述特征向量，建立离线样本集；

基于所述离线样本集分别构建离线正常步态和离线冻结步态的朴素贝叶斯分类器；

获取在线步行过程中的在线步态数据；

通过所述离线正常步态和离线冻结步态的朴素贝叶斯分类器以及所述在线步态数据，分别得到在线步行过程中，在线正常步态和在线冻结步态的概率；

比较所述在线正常步态和所述在线冻结步态的概率，得到检测结果。

2.根据权利要求1所述的在线检测方法，其特征在于，所述大腿加速度包括：大腿X轴加速度，大腿Y轴加速度以及大腿Z轴加速度；

所述大腿角速度包括：大腿X轴角速度，大腿Y轴角速度以及大腿Z轴角速度；

所述小腿加速度：小腿X轴加速度，小腿Y轴加速度以及小腿Z轴加速度；

所述小腿角速度包括：小腿X轴角速度，小腿Y轴角速度以及小腿Z轴角速度；

所述足底压力包括均匀分布于脚掌的第一节点压力、第二节点压力和第三节点压力。

3.根据权利要求1所述的在线检测方法，其特征在于，所述基于所述离线样本集分别构建离线正常步态和离线冻结步态的朴素贝叶斯分类器，具体包括：

统计每个所述窗口数据的所有特征向量的平均值和标准差；

计算在所述离线样本集中，所述正常步态和所述冻结步态的先验概率；

根据所述正常步态的先验概率以及标记为正常步态的窗口数据的所有特征向量的平均值和标准值，构建正常步态的朴素贝叶斯分类器；

根据所述冻结步态的先验概率以及标记为冻结步态的窗口数据的所有特征向量的平均值和标准值，构建冻结步态的朴素贝叶斯分类器。

4.根据权利要求3所述的在线检测方法，其特征在于，所述朴素贝叶斯分类器通过如下算式表示：

其中，P(x_i|c)为第i个特征向量属于冻结步态或正常步态的条件概率，P(c)为所述正常步态或所述冻结步态的先验概率。

5.根据权利要求4所述的方法，其特征在于，P(x_i|c)通过如下算式计算：

其中，x_i为第i个特征向量，μ_c,i为所述平均值，σ_c,i为所述标准值。

6.根据权利要求4所述的方法，其特征在于，所述获取在线步行过程中的在线步态数据，具体包括：

以所述预设时间长度和固定的时间间隔，采集检测窗口的在线步态数据。

7.根据权利要求6所述的方法，其特征在于，通过所述朴素贝叶斯分类器和所述在线步态数据，分别得到在线步行过程中，在线正常步态和在线冻结步态的概率，具体包括：

计算所述检测窗口对应的特征向量；

根据所述特征向量，通过所述正常步态的朴素贝叶斯分类器，计算检测窗口为在线正常步态的概率；

根据所述特征向量，通过所述冻结步态的朴素贝叶斯分类器，计算检测窗口为在线冻结步态的概率。

8.根据权利要求7所述的方法，其特征在于，所述比较所述在线正常步态和所述在线冻结步态的概率，得到检测结果，具体包括：

判断在线正常步态的概率是否大于在线正常步态的概率；

若是，则确定检测结果为正常步态；

若否，则确定检测结果为冻结步态。