[例会]Parkinson’s disease classification using gait characteristics and wavelet-based feature extraction

本文提出一种方法来分类特发性PD患者和健康对照,使用特发性PD患者的步态特征和基于小波的特征提取。使用特发性PD患者在步行时拖曳他们的脚的特征,我们实施以下三种预处理方法:(i)我们使用两个信号之间的差异,每个信号代表来自一只脚的八个传感器输出的总和; (ii)我们使用来自左脚下的八个传感器的垂直地面反作用力输出中的最大和最小记录之间的差(iii)我们再次使用方法(i),但是对于通过方法(ii)从一只脚获得的信号。在执行三个预处理任务之后,我们使用小波变换(WT)创建了近似系数和细节系数。然后,我们使用统计方法从这些系数中提取了40个特征,包括频率分布及其变异。使用40个特征作为具有加权模糊隶属函数(NEWFM)的神经网络的输入,我们比较了上述三种方法的性能。当使用NEWFM对特发性PD患者和健康对照进行分类时,结果的准确性,特异性和灵敏度分别如下:方法(i)为74.32%,81.63%和73.77%; ,75.18%,74.67%和75.24%。或77.33%,65.48%和81.10%。

在第一阶段,为了提取NEWFM的输入,我们对位于每个特发性PD患者脚下的16个传感器中的每一个和健康对照使用垂直地面反作用力。

在第二阶段,使用改变脚的特发性PD患者的步态特征,我们实施了以下三种预处理方法:(i)我们使用两个信号之间的差异,每个信号代表来自一只脚的八个传感器输出的总和; (ii)我们使用来自左脚下的八个传感器的垂直地面反作用力输出中的最大和最小记录之间的差; 和(iii)我们再次使用方法(i),但是基于通过方法(ii)从一只脚获得的信号。

在第三阶段,我们使用小波变换(WT)从第二阶段的预处理数据中提取近似系数和细节系数。然后,我们使用统计方法从近似系数和细节系数中提取了40个特征,包括频率分布及其变异。

在最后阶段,我们使用在第三阶段提取的40个特征作为输入到NEWFM,以比较三种方法的性能。当使用NEWFM对特发性PD患者和健康对照进行分类时,结果的准确性,特异性和灵敏度分别如下:方法(i)为74.32%,81.63%和73.77%; ,方法(ii)为75.18%,74.67%和75.24%。或方法(iii)为77.33%,65.48%和81.10%。基于这些结果,组合方法(i)和方法(ii)的方法(iii)显示出最高的准确度。

图片 1

参会人员:陈绪、王雨婷、景波、刘杰、唐晨、丁会通、段优、江思源、严金戈

请假:肖勇博、明鉷、滕越、殷越

 

anyShare分享到:
This entry was posted in 例会. Bookmark the permalink.

发表评论