[例会]自动量化步态分析平台及其在帕金森病上的应用文章导读

步态分析或人类步态评估是系统地研究人体运动,旨在量化步态特征,它被探索性地用于促进健康评估和医疗决策的情况。传统的方法有基于视觉的方法和基于传感器的方法,基于视觉的方法容易受到环境的影响,基于传感器的方法则以其小型化的特点更容易设计捕捉步态。

文章主要分为四个部分,分别是:步态感测平台,步态特征提取,特征选择方法,实验评估。

步态感测平台由四个结构组成。传感层是由力敏传感器组成,用来捕获人体运动,并向上层传输数据;网络层接收和同步来自传感层的数据并将其引导到中间件层进行进一步的分析;中间件层提取了覆盖动力学和运动学的各种时间和空间步态参数;应用层分析和可视化收集的传感器数据并开发相应的应用。

对传感层发来的数据,系统可进行步态分析。系统收录了三种类型的步态参数,包括:人员信息,基本时间和空间步态参数和转向步态参数。步态参数要转换为无量纲和归一化的数据,去量纲是为了去除单位的影响,归一化是用来加速收敛。

现有的特征选择方法可以大致分为三类:过滤方法,包装方法和嵌入方法,这里运用的增量包装器是一种组合过滤和包装方法的混合方法,首先是用ReliefF的过滤方法返回原始特征的有序序列。 然后是对有序序列进行工作,使用顺序正向选择方案,并将分类精度作为特征包含度量来获得特征的组合。

实验数据是由168例帕金森病和218例健康受试者组成,使用三种常用的具有不同度量的分类模型,即朴素贝叶斯,k-近邻和支持向量机同时使用精确率,召回率,F1测量和准确率来评估分类器的性能。

从实验结果来看去量纲归一化有助于提高分类性能,具有高斯核的支持向量机优于朴素贝叶斯以及k-近邻,增量包装器在F1和精确率上优于现有的FCBF,Wrapper特征选择算法。

文章得出的结论是特征选择有助于通过消除不相关和冗余的特征来减少数据维度,并有助于提高分类表现,增量包装器在F1和精度方面比其竞争对手更好,支持向量机与朴素贝叶斯和k-近邻相比分类的效果更好。同时可以探索平台在其他人体疾病上的运用,辅助医生诊断和治疗。

与会人员

老师:杨娇云,阙夏

学生:丁会通,王雨婷、严金戈、江思源、唐晨、滕越、明鉷、肖勇博

请假:陈绪、景波、刘杰、殷越

anyShare分享到:
This entry was posted in 新闻动态. Bookmark the permalink.

发表评论