[发明专利]一种冻结步态在线检测方法

说明书

本发明涉及机器学习技术领域，特别涉及是一种冻结步态在线检测方法。该方法包括：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；根据所述离线步态数据和所述离线步态视频，建立离线样本集；构建离线正常步态和离线冻结步态的朴素贝叶斯分类器；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得到检测结果。该方法可以实时快速、准确地检测出冻结步态,及时帮助发病患者恢复步行及正常活动。

技术领域

本发明涉及机器学习技术领域，特别涉及是一种冻结步态在线检测方法。

背景技术

帕金森病(Parkinson’s Diease,以下简称PD)是一种常见的神经系统变性疾病,其主要临床特征包括运动迟缓和减少、肢体强直以及抖动,可能还有一些姿势和步态的异常。该病多发于老年人群,平均发病年龄大约为60岁，且近年来该病的发病年龄有下降趋势。

步态冻结(Freezing Of Gait，以下简称FOG)是晚期帕金森病患者最常见的症状，其主要表现为运动的短暂性阻滞，FOG的突然发作会造成患者行走障碍甚至跌倒，降低其生活质量。因此，在PD病人行走过程中对其步态进行实时检测，当检测到FOG时给予病人一定的干预引导措施显得尤为重要。

相关技术中，关于冻结步态的检测方法主要有两种：1、检测该步态数据序列在正常运动频带和FOG频带的能量比，根据手动设置的冻结阈值来判断步态正常与否；2、检测病人走路过程中的步态与正常步态的皮尔森相关系数，通过其相关性来判断步态正常与否。

发明人在实现本发明的过程中发现:上述两种检测方法均需要手动预先设定阈值，精确度不高；并且上述两种方法中，当特征空间具有高维度时，手动设置冻结阈值会变得非常繁琐。

发明内容

本发明旨在解决现有关于冻结步态的检测方法不够准确的技术问题，为解决该技术问题，本发明实施方式采用的一个技术方案是：提供一种冻结步态在线检测方法，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；根据所述离线步态数据和所述离线步态视频，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。

可选地，所述根据所述离线步态数据和所述离线步态视频，建立离线样本集具体包括：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；从所述窗口数据中提取对应的特征向量；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。

可选地，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。

可选地，所述从所述窗口数据中提取对应的特征向量，具体包括：

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；