一种预防和解除帕金森病患者冻结步态的装置和方法

摘要

本发明提供了一种预防和解除帕金森病患者冻结步态的装置及方法，所述装置包括加速度传感器、足底压力传感器、移动终端、振动节点和振动力敏鞋垫；所述方法包括构建冻结步态预测检测模型的方法和基于冻结步态预测检测模型预防和解除帕金森病患者冻结步态的方法。通过放置在所述振动力敏鞋垫上的足底压力传感器实时监测患者的运动模式，基于加速度信号训练和验证不同运动模式的冻结步态预测检测模型，在冻结步态即将发生前快速做出预测，在冻结步态已经发生时准确做出检测判断。结合放置于所述振动力敏鞋垫上的振动节点提供有节奏的触觉提示，阻断患者步态进一步恶化，帮助患者恢复正常行走的能力。

说明书

技术领域

本发明涉及传感技术、生物医学工程、医疗卫生等领域，特别涉及一种预防和解除帕金森病患者冻结步态的装置和方法。

背景技术

帕金森病(PD)是一种常见的神经系统退行性疾病，影响患者的日常生活。冻结步态(冻结步态)是PD的常见症状之一，是导致PD患者跌倒的重要原因。冻结步态表现为”尽管有行走的意图，但脚的前进速度是短暂的、间歇性的消失或明显减少”。通常情况下，冻结步态持续的时间较短，外界环境刺激、药物治疗和焦虑的情绪都会影响帕金森病患者冻结步态的发生，最常见的冻结步态为起步冻结和行走中的冻结(如起步、转身、双重任务和通过狭窄空间等)。

冻结步态的临床评估通常使用统一帕金森病评定量表(UPDRS)、日常生活能力(ADL)第14部分和冻结步态问卷(FOG-Q)。这些主观测量方法依赖于医生的经验、患者或其照顾者的描述及问卷调查时患者的表现，然而，由于冻结步态的发生具有随机性和突发性的特点，临床环境种可能很难捕捉到冻结事件，冻结事件发生的频率、起止时间也很难量化。研究发现，通过听觉、视觉或触觉的提示干预可以改善PD患者的运动障碍，减少冻结步态的持续时间。这些物理干预手段已经成为冻结步态治疗的新手段。

中国专利CN109480857A记载了一种用于帕金森病患者冻结步态检测的装置及方法，该方法使用惯性节点收集患者的左右腿部加速度数据、角速度数据和磁力值，使用压力鞋垫收集患者的足底压力数据，并使用移动终端检测患者是否发生冻结步态，若发生冻结步态，则通过蓝牙耳机播放一段音频刺激，帮助患者恢复正常步态。中国专利CN110916984A记载了一种预防冻结步态的穿戴设备及其实现方法，该方法通过提取患者在发生冻结步态之前的病理步态特征，构建基于机器学习的个性化冻结步态预测模型，在冻结步态发生之前对冻结步态快速并及时的预测判断，并以视觉引导的方式在患者发生冻结步态之前实施有效及时的干预，改善患者的步态稳定性和平衡。

上述专利所公开的冻结步态检测或者预测方法均是单纯的冻结步态检测或冻结步态预测。一般来说，在冻结步态实际发生后，患者的运动特征恶化比较明显，所以冻结步态检测的准确率往往高于冻结步态的预测。但是，冻结步态检测仅能在发生冻结步态之后给予干预，这种干预的时间较晚，有一定的延迟，无法及时防止冻结步态的发生，对于实际改善冻结步态症状的效果有限。而冻结步态预测由于准确率相对较低，容易发生漏报，而且预测后的干预也不能完全避免冻结步态的发生，所以单纯的冻结步态预测在实际应用中效果不佳。此外，上述专利所公开的冻结步态检测或者预测方法均只关注行走过程中出现的冻结步态，但冻结步态不仅发生在行走过程中，还经常发生在起步时。

综上所述，目前尚未见可以同时预测和检测冻结步态的装置，也没有既可以识别行走中的冻结步态又可以识别起步时的冻结步态的装置和方法。

发明内容

有鉴于此，本发明提供了一种预防和解除帕金森病患者冻结步态的装置和方法，以改善上述问题。

本发明采取的技术方案如下：

本发明提供了一种预防和解除帕金森病患者冻结步态的装置，包括加速度传感器、足底压力传感器、振动节点、移动终端和振动力敏鞋垫，其中：

所述加速度传感器放置在脚踝外侧；

所述足底压力传感器布置在所述振动力敏鞋垫的前脚掌、足中外侧和足跟区域；

所述振动节点布置在所述振动力敏鞋垫足中内侧区域；

所述加速度传感器和所述足底压力传感器采集患者运动时的加速度信号和足底压力信号，并将所述加速度信号和足底压力信号通过蓝牙实时无线的传输至所述移动终端；

所述移动终端接收所述加速度信号和足底压力信号，通过对所述加速度信号和足底压力信号加窗分割提取信号特征和识别患者的运动模式，基于患者的运动模式和加速度信号的特征判别患者是否将要发生冻结步态(pre-FOG)或正在发生冻结f步态(FOG)，若判别结果为pre-FOG或FOG，所述移动终端通过蓝牙控制所述振动节点有节奏的振动，帮助患者调整步态，从而防止冻结步态的发生或尽快解除冻结步态。

本发明还提供了一种预防和解除帕金森病患者冻结步态的装置的实现方法，包括构建冻结步态预测检测模型的方法、基于冻结步态预测检测模型预防和解除帕金森病患者冻结步态的方法两个步骤，其中构建冻结步态预测检测模型仅执行一次。

所述的构建冻结步态预测检测模型的方法用于构建冻结步态预测检测模型，所述冻结步态预测检测模型包括两种运动模式冻结步态预测检测模型：行走模式的冻结步态预测检测模型和等待起步模式的冻结步态预测检测模型；根据足底压力数据提取的特征识别患者的运动模式；分别定义和标记两种运动模式的pre-FOG标签；计算加速度数据的特征矩阵并分别训练和验证两种运动模式的冻结步态预测检测模型；具体包括以下步骤：

步骤S101，患者运动数据的采集：记录患者体重；使用所述加速度传感器、足底压力传感器同步获取患者运动时左右脚踝处的加速度数据和前脚掌、足中外侧、足跟区域的足底压力数据，并根据实验录像标记患者运动中发生冻结步态的开始和结束时间点，作为FOG标签；所述加速度传感器和足底压力传感器的采样频率大于30Hz；

步骤S102，数据预处理：使用四西格玛定律查找加速度数据中的离群值点，并使用中值定理替换离群值点；

步骤S103，数据加窗分割：使用长度为2秒、步长为0.5秒的滑动窗口分割步骤S102预处理后的加速度数据和步骤S101采集的足底压力数据，得到加速度数据片段和足底压力数据片段；

步骤S104，数据的特征提取：包括足底压力数据特征提取和加速度数据特征提取；其中，计算所有足底压力数据片段的特征，包括总足底压力均值、左脚总足底压力等于零的次数和右脚总足底压力等于零的次数；计算所有加速度数据片段的特征，并构建加速度特征矩阵AFM(Acceleration feature matrix)；

步骤S105，患者运动模式识别：根据患者体重设定患者运动时总足底压力均值的阈值，若步骤S104计算的总足底压力均值低于阈值，则判定患者处于离地姿势(如坐姿、卧姿等)；设定步骤S103中所述的滑动窗口对应的时间长度内患者左脚抬脚总次数的阈值和右脚抬脚总次数的阈值，若步骤104计算的患者左脚总压力等于零的次数小于左脚抬脚总次数的阈值且右脚总压力等于零的次数小于右脚抬脚总次数的阈值，则判定患者处于站立姿势；离地姿势和站立姿势的运动模式均称为等待起步模式，其他所有运动模式都称为行走模式；

步骤S106-1，行走模式的FOG、pre-FOG和no-FOG的标注：计算每个加速度数据片段的冻结指数，记为FI；6个相邻的加速度数据片段为pre-FOG标注依赖组，其中，前3个相邻的加速度数据片段为前组，后3个相邻的加速度数据片段为后组，每个加速度数据片段的pre-FOG标签由以这个加速度数据片段为最后一个片段的pre-FOG标注依赖组的特征来标记；计算每组加速度数据片段的冻结指数的均值，记为FI_mean；以前组和后组间FI_mean的差异，进行行走模式pre-FOG的定义和标定，具体如下：

计算pre-FOG标注依赖组的FI差异性:FI_diff＝FI_mean(group1)/FI_mean(group2),其中，FI_mean(group1)和FI_mean(group2)分别代表前组和后组的FI_mean；

设定pre-FOG的阈值；pre-FOG的起止窗口标记为：FOG之前的首个FI_diff高于阈值的加速度数据片段开始到标记为FOG的加速度数据片段为止，pre-FOG标注为1；FOG标注为2；其余非FOG且非pre-FOG的行走模式的加速度数据片段标注为no-FOG，记为3；构建行走模式对应的加速度数据片段的标签矩阵：行走标签矩阵WLM(walking labeled matrix)；

步骤S107-1,行走模式的冻结步态预测检测模型训练和验证：将标注好pre-FOG、FOG和no-FOG的标签矩阵WLM分为训练集和测试集，进行行走模式的冻结步态预测检测模型的搭建和验证；

步骤S106-2，等待起步模式的FOG、pre-FOG和no-FOG的标注：pre-FOG的起止标记为：FOG之前的4个加速度数据片段；等待起步模式的pre-FOG标注为1、FOG标注为2、其余非FOG且非pre-FOG的等待起步模式的加速度数据片段标注为no-FOG，记为3；构建等待起步模式对应的加速度数据片段的标签矩阵：等待起步标签矩阵SWLM(start walking labeledmatrix)；

步骤S107-2,等待起步模式的冻结步态预测检测模型训练和验证：将标注好pre-FOG、FOG和no-FOG的标签矩阵SWLM分为训练集和测试集，进行等待起步模式的冻结步态预测检测模型的搭建和验证；

步骤S108，将训练好冻结步态预测检测模型移植到终端。

所述的基于冻结步态预测检测模型预防和解除帕金森病患者冻结步态的方法包括根据足底压力数据提取的特征识别患者的运动模式；使用与运动模式相匹配的加速度数据特征矩阵和冻结步态预测检测模型识别患者当前是否将要发作冻结步态(pre-FOG)或正在发作冻结步态(FOG)，进而通过振动节点给与干预提示，以预防或解除冻结步态；具体包括以下步骤：

步骤S201，穿戴并启动设备：患者穿戴设备并启动加速度传感器、振动节点和足底压力传感器；启动移动终端并与加速度传感器、振动节点和足底压力传感器建立蓝牙通信；在移动终端记录患者体重；

步骤S202,加速度传感器和足底压力传感器通过蓝牙同步，并实时发送加速度数据和足压数据至移动终端；

步骤S203，数据预处理：按照步骤S102所述的方法对加速度数据进行预处理；

步骤S204，数据加窗分割：按照步骤S103所述的方法实时分割数据得到加速度数据片段和足底压力数据片段；

步骤S205，数据的特征提取：按照步骤S104所述的特征，计算当前足底压力数据片段的特征和加速度数据片段的特征；

步骤S206，患者运动模式识别：按照步骤S105所述的方法判断患者当前的运动模式；若运动模式为行走模式，则执行步骤S207-1，否则执行步骤S207-2；

步骤S207-1,基于行走模式的冻结步态预测检测模型分类：使用步骤S107-1训练好的行走模式的冻结步态预测检测模型判别当前加速度数片段的标签；

步骤S207-2,基于等待起步模式的冻结步态预测检测模型分类：使用步骤S107-2训练好的等待起步模式的冻结步态预测检测模型判别当前加速度数片段的标签；

步骤S208,判别是否需要干预：若步骤S207-1或步骤S207-2判别的标签为pre-FOG或FOG，则需要干预，否则不需要干预；

步骤S209，移动终端通过蓝牙控制振动器有节奏的振动，防止步态进一步恶化或帮助患者尽快解除冻结步态；

步骤S210，移动终端根据用户手动操作判断是否需要停止冻结步态监测，若继续监测冻结步态，则跳转到步骤S204；否则停止冻结步态监测。

所述构建冻结步态预测检测模型的方法，步骤S106-1中，所有的加速度数据特征包括冻结指数(FI)、均方根(RMS)、标准差(SD)、信号熵(ENTR)、变异性(Variance)、不对称系数(Asymmetry coefficient)、主频能量(SUME)、主频信号熵(ENED)、频率范围1(FR1)、频率范围2(FR2)，所述特征矩阵AFM为十维矩阵。

所述的构建冻结步态预测检测模型的方法，在步骤S107-1和步骤S107-2中，所述冻结步态预测检测模型使用RUSBoost集成分类器，使用弱分类器为随机森林(RF)；在训练弱分类器之前，使用随机欠采样(RUS)的方法抽取训练集数据，用于弱分类器训练；训练时更新弱分类器的内部参数，所述内部参数包括弱分类器的权重和偏置。

所述构建冻结步态预测检测模型的方法，在步骤S107-1和步骤S107-2中，验证冻结步态预测检测模型效果的方法为：

对于所有行走模式测试集数据片段，行走标签矩阵WLM与每个行走模式的数据片段都有一一对应的pre-FOG、FOG或no-FOG的真实标签，从而得到真实标签序列矩阵y1；行走模式的冻结步态预测检测模型可以给出每个行走模式的数据片段的预测标签，从而得到预测标签序列矩阵y2；，将真实标签序列矩阵y1与预测标签序列矩阵y2对比，对行走模式的冻结步态预测检测模型进行验证；

对于所有等待起步模式测试集数据片段，等待起步标签矩阵SWLM与每个等待起步模式的数据片段都有一一对应的pre-FOG、FOG或no-FOG的真实标签，从而得到真实标签序列矩阵sy1；等待起步模式的冻结步态预测检测模型可以给出每个等待起步模式的数据片段的预测标签，从而得到预测标签序列矩阵sy2；，将真实标签序列矩阵sy1与预测标签序列矩阵sy2对比，对等待起步模式的冻结步态预测检测模型进行验证。

所述构建冻结步态预测检测模型的方法，在步骤S107-1和步骤S107-2中，评估冻结步态预测检测模型效果的指标为准确率。

所述构建冻结步态预测检测模型的方法，在步骤S107-1和步骤S107-2中，训练集和测试的划分方法为：将构建的行走标签矩阵LFM的70％作为训练集，剩余30％作为测试集，用于验证行走模式的冻结步态预测检测模型的精度；将构建的等待起步标签矩阵SLFM的70％作为训练集，剩余30％作为测试集，用于验证等待起步模式的冻结步态预测检测模型的精度。

本发明具有以下有益效果：

(1)本发明即可以在冻结步态发生前预测冻结步态的发生，又可以在冻结步态实际发生时检测到冻结步态，解决了由于冻结步态预测模型漏报或干预失败导致冻结步态发作而未能检测的问题。

(2)本发明根据足底压力数据特征识别患者的运动模式，同时搭建了行走模式的冻结步态预测检测模型和等待起步模式的冻结步态预测检测模型，在具体实施时，可根据不同的运动模式选择相应的冻结步态预测检测模型，既能识别行走中的冻结步态，右能识别起步时的冻结步态，解决了以往冻结步态预测或冻结步态检测方法只能识别行走中的冻结步态的问题，提高了模型的准确率和应用场景。

(3)本发明使用冻结步态发生前FI的变化规律标注行走模式的pre-FOG标签；使用滑动窗口分割加速度信号，提取每个窗口的FI，将当前窗口之前的第4-6窗口作为前组、第1-3窗口作为后组，根据窗口组之间冻结指数的统计特征识别正常步态到冻结步态的过渡期pre-冻结步态。

(4)本发明针对PD患者冻结步态这一特殊的步态障碍，开发了冻结步态预测检测算法和干预设备。可以在预测到冻结步态即将发生时，通过有节奏的干预阻止步态障碍的进一步恶化，防止冻结步态的发生；也可以在冻结步态发生时，通过有节奏的干预帮助患者及时解除冻结步态。预测冻结步态、检测冻结步态和干预的结合，可以有效帮助患者缓解步态障碍，减少冻结步态发生次数和持续时间，降低患者跌倒的风险。

附图说明

图1为本发明一种预防和解除帕金森病患者冻结步态的装置的布置示意图；

图2为本发明中构建冻结步态预测检测模型的方法的流程图；

图3为本发明中pre-FOG标注依赖组示意图；

图4为本发明中基于冻结步态预测检测模型预防和解除帕金森病患者冻结步态的方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

参见图1，本发明实施例提供了一种预防和解除帕金森病患者冻结步态的装置，包括鞋子10、振动力敏鞋垫11、移动终端12、加速度传感器101、足底压力传感器111、振动节点112和所述振动力敏鞋垫的足中内侧区域113；

所述加速度传感器101放置在所述鞋子10外侧面(脚踝外侧位置)；

所述足底压力传感器111布置在所述振动力敏鞋垫11的前脚掌、足中外侧和足跟区域；

所述振动节点112布置在所述振动力敏鞋垫的足中内侧区域113；

所述加速度传感器101和所述足底压力传感器111采集患者运动时的加速度信号和足底压力信号，并将所述加速度信号和足底压力信号通过蓝牙实时无线的传输至所述移动终端；

所述移动终端接收所述加速度信号和足底压力信号，通过对加速度信号和足底压力信号加窗分割提取信号特征和识别患者的运动模式，基于患者的运动模式和加速度信号的特征判别患者是否将要发生步态冻结(pre-FOG)或正在发生步态冻结(FOG)，若判别结果为pre-FOG或FOG，所述移动终端通过蓝牙控制所述振动节点有节奏的振动，帮助患者调整步态，从而防止冻结步态的发生或尽快解除冻结步态。

本发明还提供了一种预防和解除帕金森病患者冻结步态的装置的实现方法，包括构建冻结步态预测检测模型的方法、基于冻结步态预测检测模型预防和解除帕金森病患者冻结步态的方法两个步骤，其中构建冻结步态预测检测模型仅执行一次。

参见图2，所述的构建冻结步态预测检测模型的方法用于构建冻结步态预测检测模型，所述冻结步态预测检测模型包括两种运动模式冻结步态预测检测模型：行走模式的冻结步态预测检测模型和等待起步模式的冻结步态预测检测模型；根据足底压力数据提取的特征识别患者的运动模式；分别定义和标记两种运动模式的pre-FOG标签；计算加速度数据的特征矩阵并分别训练和验证两种运动模式的冻结步态预测检测模型；具体包括以下步骤：

步骤S101，患者运动数据的采集：记录患者体重；使用所述加速度传感器、足底压力传感器同步获取患者运动时左右脚踝处的加速度数据和前脚掌、足中外侧、足跟区域的足底压力数据，并根据实验录像标记患者运动中发生冻结步态的开始和结束时间点，作为FOG标签；所述加速度传感器和足底压力传感器的采样频率大于30Hz；

步骤S102，数据预处理：使用四西格玛定律查找加速度数据中的离群值点，并使用中值定理替换离群值点；

步骤S103，数据加窗分割：使用长度为2秒、步长为0.5秒的滑动窗口分割步骤S102预处理后的加速度数据和步骤S101采集的足底压力数据，得到加速度数据片段和足底压力数据片段；

步骤S104，数据的特征提取：包括足底压力数据特征提取和加速度数据特征提取；其中，计算所有足底压力数据片段的特征，包括总足底压力均值、左脚总足底压力等于零的次数和右脚总足底压力等于零的次数；计算所有加速度数据片段的特征，并构建加速度特征矩阵AFM(Acceleration feature matrix)；

步骤S105，患者运动模式识别：根据患者体重设定患者运动时总足底压力均值的阈值，若步骤S104计算的总足底压力均值低于阈值，则判定患者处于离地姿势(如坐姿、卧姿等)；设定步骤S103中所述的滑动窗口对应的时间长度内患者左脚抬脚总次数的阈值和右脚抬脚总次数的阈值，若步骤104计算的患者左脚总压力等于零的次数小于左脚抬脚总次数的阈值且右脚总压力等于零的次数小于右脚抬脚总次数的阈值，则判定患者处于站立姿势；离地姿势和站立姿势的运动模式均称为等待起步模式，其他所有运动模式都称为行走模式；

步骤S106-1，行走模式的FOG、pre-FOG和no-FOG的标注：计算每个加速度数据片段的冻结指数，记为FI；参见图3，6个相邻的加速度数据片段为pre-FOG标注依赖组，其中，前3个相邻的加速度数据片段为前组，后3个相邻的加速度数据片段为后组，每个加速度数据片段的pre-FOG标签由以这个加速度数据片段为最后一个片段的pre-FOG标注依赖组的特征来标记；计算每组加速度数据片段的冻结指数的均值，记为FI_mean；以前组和后组间FI_mean的差异，进行行走模式pre-FOG的定义和标定，具体如下：

计算pre-FOG标注依赖组的FI差异性:FI_diff＝FI_mean(group1)/FI_mean(group2),其中，FI_mean(group1)和FI_mean(group2)分别代表前组和后组的FI_mean；

设定pre-FOG的阈值；pre-FOG的起止窗口标记为：FOG之前的首个FI_diff高于阈值的加速度数据片段开始到标记为FOG的加速度数据片段为止，pre-FOG标注为1；FOG标注为2；其余非FOG且非pre-FOG的行走模式的加速度数据片段标注为no-FOG，记为3；构建行走模式对应的加速度数据片段的标签矩阵：行走标签矩阵WLM(walking labeled matrix)；

步骤S107-1,行走模式的冻结步态预测检测模型训练和验证：将标注好pre-FOG、FOG和no-FOG的标签矩阵WLM分为训练集和测试集，进行行走模式的冻结步态预测检测模型的搭建和验证；

步骤S106-2，等待起步模式的FOG、pre-FOG和no-FOG的标注：pre-FOG的起止标记为：FOG之前的4个加速度数据片段；等待起步模式的pre-FOG标注为1、FOG标注为2、其余非FOG且非pre-FOG的等待起步模式的加速度数据片段标注为no-FOG，记为3；构建等待起步模式对应的加速度数据片段的标签矩阵：等待起步标签矩阵SWLM(start walking labeledmatrix)；

步骤S107-2,等待起步模式的冻结步态预测检测模型训练和验证：将标注好pre-FOG、FOG和no-FOG的标签矩阵SWLM分为训练集和测试集，进行等待起步模式的冻结步态预测检测模型的搭建和验证；

步骤S108，将训练好冻结步态预测检测模型移植到终端。

参见图4，所述的基于冻结步态预测检测模型预防和解除帕金森病患者冻结步态的方法包括根据足底压力数据提取的特征识别患者的运动模式；使用与运动模式相匹配的加速度数据特征矩阵和冻结步态预测检测模型识别患者当前是否将要发作冻结步态(pre-FOG)或正在发作冻结步态(FOG)，进而通过振动节点给与干预提示，以预防或解除冻结步态；具体包括以下步骤：

步骤S201，穿戴并启动设备：患者穿好鞋子并启动加速度传感器、振动节点和足底压力传感器；启动移动终端并与加速度传感器、振动节点和足底压力传感器建立蓝牙通信；在移动终端记录患者体重；

步骤S202,加速度传感器和足底压力传感器通过蓝牙同步，并实时发送加速度数据和足压数据至移动终端；

步骤S203，数据预处理：按照步骤S102所述的方法对加速度数据进行预处理；

步骤S204，数据加窗分割：按照步骤S103所述的方法实时分割数据得到加速度数据片段和足底压力数据片段；

步骤S205，数据的特征提取：按照步骤S104所述的特征，计算当前足底压力数据片段的特征和加速度数据片段的特征；

步骤S206，患者运动模式识别：按照步骤S105所述的方法判断患者当前的运动模式；若运动模式为行走模式，则执行步骤S207-1，否则执行步骤S207-2；

步骤S207-1,基于行走模式的冻结步态预测检测模型分类：使用步骤S107-1训练好的行走模式的冻结步态预测检测模型判别当前加速度数片段的标签；

步骤S207-2,基于等待起步模式的冻结步态预测检测模型分类：使用步骤S107-2训练好的等待起步模式的冻结步态预测检测模型判别当前加速度数片段的标签；

步骤S208,判别是否需要干预：若步骤S207-1或步骤S207-2判别的标签为pre-FOG或FOG，则需要干预，否则不需要干预；

步骤S209，移动终端通过蓝牙控制振动器有节奏的振动，防止步态进一步恶化或帮助患者尽快解除冻结；

步骤S210，移动终端根据用户手动操作判断是否需要停止冻结步态监测，若继续监测冻结步态，则跳转到步骤S204；否则停止冻结步态监测。

所述构建冻结步态预测检测模型的方法，步骤S106-1中，所有的加速度数据特征包括冻结指数(FI)、均方根(RMS)、标准差(SD)、信号熵(ENTR)、变异性(Variance)、不对称系数(Asymmetry coefficient)、主频能量(SUME)、主频信号熵(ENED)、频率范围1(FR1)、频率范围2(FR2)，所述特征矩阵AFM为十维矩阵。

所述的建冻结步态预测检测模型的方法，在步骤S107-1和步骤S107-2中，所述冻结步态预测检测模型使用RUSBoost集成分类器，使用弱分类器为随机森林(RF)；在训练弱分类器之前，使用随机欠采样(RUS)的方法抽取训练集数据，用于弱分类器训练；训练时更新弱分类器的内部参数，所述内部参数包括弱分类器的权重和偏置。

所述构建冻结步态预测检测模型的方法，在步骤S107-1和步骤S107-2中，验证冻结步态预测检测模型效果的方法为：

对于所有行走模式测试集数据片段，行走标签矩阵WLM与每个行走模式的数据片段都有一一对应的pre-FOG、FOG或no-FOG的真实标签，从而得到真实标签序列矩阵y1；行走模式的冻结步态预测检测模型可以给出每个行走模式的数据片段的预测标签，从而得到预测标签序列矩阵y2；，将真实标签序列矩阵y1与预测标签序列矩阵y2对比，对行走模式的冻结步态预测检测模型进行验证；

对于所有等待起步模式测试集数据片段，等待起步标签矩阵SWLM与每个等待起步模式的数据片段都有一一对应的pre-FOG、FOG或no-FOG的真实标签，从而得到真实标签序列矩阵sy1；等待起步模式的冻结步态预测检测模型可以给出每个等待起步模式的数据片段的预测标签，从而得到预测标签序列矩阵sy2；，将真实标签序列矩阵sy1与预测标签序列矩阵sy2对比，对等待起步模式的冻结步态预测检测模型进行验证。

所述构建冻结步态预测检测模型的方法，在步骤S107-1和步骤S107-2中，评估冻结步态预测检测模型效果的指标为准确率。

所述构建冻结步态预测检测模型的方法，在步骤S107-1和步骤S107-2中，训练集和测试的划分方法为：将构建的行走标签矩阵LFM的70％作为训练集，剩余30％作为测试集，用于验证行走模式的冻结步态预测检测模型的精度；将构建的等待起步标签矩阵SLFM的70％作为训练集，剩余30％作为测试集，用于验证等待起步模式的冻结步态预测检测模型的精度。