[发明专利]一种基于图卷积网络的偏瘫步态分类方法

说明书

本发明公开了一种基于图卷积网络的偏瘫步态分类方法，包括下述步骤：S1、获取待分析的步态数据，对该步态数据进行预处理；S2、基于图卷积网络构建检测网络模型，并训练该网络模型；S3、将步态数据按关节点结构输入训练好的模型中，得到最后一层的卷积结果；S4、获取最后一层的卷积结果，按特征权重比进行缩放；S5、根据得到的特征缩放结果，在全连接层中进行计算，分别得到该目标是健康人和是偏瘫患者的分。本发明利用图卷积神经网络自动提取关节点数据特征，增强了抗噪性能，使得分类速度和分类精度有大幅度提高。

技术领域

本发明属于步态分析的技术领域，具体涉及一种基于图卷积网络的偏瘫步态分类方法。

背景技术

步态分析(Gait Analysis)是指对人体步行运动的系统研究，是计算机视觉和模式识别领域中一个热门研究方向。它主要通过特定仪器测量人体的躯体移动，进行人体力学分析和肌肉活动分析。步态分析常常被用于评估和检测一些影响人类行走的因素，也频繁用于医学研究中判断病人的相关疾病的康复状况。

早期偏瘫步态分析的分类方法依赖于医生的人工判断，通过判断下肢关键特征的取值范围来确定患者是否偏瘫。如关节的弯曲角度，动量、对地反作用力等。这种方法涉及因素复杂，依赖人工判断，费时费力。

现有技术中主要是以机器学习和深度学习为主的统计学习方法，近年机器学习和深度学习的发展迅速，其强大的特征提取能力使得步态分析有了进一步的突破。一些基于机器学习和深度学习的方法被提出，主要有三类方法：

以LR，SVM为代表的传统机器学习方法：该类方法能较为有效提取关节点特征，对偏瘫关键特征进行定位，其特点是实现简易，精度较低；

以DeepGait为代表的基于深度学习预训练模型方法：这类方法通过卷积网络提取深度步态特征，再基于深度特征进行偏瘫分类。特点是实现复杂，精度较高；

以PLSTM为代表的基于LSTM和GEI的方法：这类方法首先将关节点特征输入LSTM，再基于步态轮廓图GEI进行对比进行分类。特点是使用时序特征，精度较高。

但是，LR，SVM传统机器学习类方法搭建的模型较为简单，容易受外界条件干扰，提取步态特征的能力有限，分类精度较低；深度学习预训练模型方法基于二维图像信息进行判断，受数据拍摄视角的影响较大，且未能利用三维关节点间的联系，因此难以提取步态特征的空间信息；基于LSTM和GEI的方法侧重于挖掘数据的时序信息，对关节点之间的空间信息没有进一步的提取分析，因此分类精度受限。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于图卷积网络的偏瘫步态分类方法，解决了关节点结构的数据不能直接进行卷积的问题，有效利用了关节点间的空间信息，高效提取了步态特征，实现高精度分类的效果。

为了达到上述目的，本发明采用以下技术方案：

一种基于图卷积网络的偏瘫步态分类方法，包括下述步骤：

S1、获取待分析的步态数据，对该步态数据进行预处理；

S2、基于图卷积网络构建检测网络模型，并训练该网络模型；

所述建立图卷积网络包括：

特征邻接矩阵，将输入图像中有联系的特征点连接起来；

建立步态图，直接跟步态数据进行矩阵相乘；

建立好步态图以后，对每一个节点初始化权重W，对于每一个输入的矩阵H，将矩阵H、图卷积网络G、初始化权重W进行相乘，即可得到每一个节点的特征，在这个过程中，图卷积利用了关节点间的连接信息，能够更好地提取特征，最后得到特征图；

训练网络模型的步骤如下：