[发明专利]一种基于机器学习的病人乳房切除后的步态评估方法

权利要求书

1.一种基于机器学习的病人乳房切除后的步态评估方法，其特征在于，包括以下步骤：

步骤S1：依据数据采集标准选取多位研究对象，并通过样本采集传感器获取多位所述研究对象术前和术后在移动中躯干的移动信号为多个样本数据集，并选取其中一个所述样本数据集作为目标数据集；

步骤S2：对所述样本数据集和所述目标数据集进行数据预处理，从而分别得到预处理样本数据集和预处理目标数据集；

步骤S3：将多个所述预处理样本数据集按比例分为训练样本数据集和验证样本数据集；

步骤S4：以Sigmoid函数作为激活函数，并采用反向传播算法构建BP神经网络，所述BP神经网络包括输入层、隐藏层以及输出层；

步骤S5：使用遗传算法优化所述BP神经网络得到GA-BP神经网络；

步骤S6：通过所述训练样本数据集对所述BP神经网络和所述GA-BP神经网络进行训练，并比较所述BP神经网络和所述GA-BP神经网络的训练结果；

步骤S7：将所述验证样本数据集输入所述BP神经网络和所述GA-BP神经网络，验证所述BP神经网络和所述GA-BP神经网络训练完成后的准确率；

步骤S8：将所述预处理目标数据集输入到训练完成的所述BP神经网络或所述GA-BP神经网络中，得到评估结果。

2.根据权利要求1所述的基于机器学习的病人乳房切除后的步态评估方法，其特征在于：

在步骤S1中，所述数据采集标准为18至90岁进行拟行乳房全切除和保乳手术且自愿参加并签署知情同意书的患者，

所述患者需未接受脊柱手术或其他脊柱物理治疗、未被诊断为前庭或神经系统疾病、不存在不可切除的局部癌灶，且无远处转移、无合并其它恶性肿瘤，以及在乳房全切除和保乳手术后未出现因外伤、炎症引发背部或颈肩部疼痛的情况。

3.根据权利要求1所述的基于机器学习的病人乳房切除后的步态评估方法，其特征在于：

在步骤S2中，所述数据预处理包括数据筛选、空值异常值处理以及数据标记，且对每个所述样本数据集进行数据特征选择，使每个所述样本数据集中筛选出一组1*48维的数据。

4.根据权利要求1所述的基于机器学习的病人乳房切除后的步态评估方法，其特征在于：

在步骤S3中，多个所述预处理样本数据集按4:1的比例分为所述训练样本数据集和所述验证样本数据集。

5.根据权利要求1所述的基于机器学习的病人乳房切除后的步态评估方法，其特征在于：

在步骤S4中，所述BP神经网络包括48个所述输入层、97个所述隐藏层以及1个所述输出层。

6.根据权利要求1所述的基于机器学习的病人乳房切除后的步态评估方法，其特征在于：

在步骤S5中，所述遗传算法的种群规模为15，交叉概率为0.4，变异概率为0.01，遗传最大迭代次数为30。

7.根据权利要求1所述的基于机器学习的病人乳房切除后的步态评估方法，其特征在于：

在步骤S6中，所述BP神经网络和所述GA-BP神经网络的训练轮次为200，学习率初值为0.01。

8.根据权利要求1所述的基于机器学习的病人乳房切除后的步态评估方法，其特征在于：

在步骤S1中，所述样本采集传感器为具有加速度采集功能的肌电传感器。

9.根据权利要求1所述的基于机器学习的病人乳房切除后的步态评估方法，其特征在于：

在步骤S1中，所述移动信号为所述躯干移动过程中在X、Y、Z方向上的加速度、角度以及角速度。