一种基于长短时记忆神经网络的异常步态检测方法

摘要

一种基于长短时记忆神经网络的异常步态检测方法，包含以下步骤：数据预处理；数据预处理包含基于数据库进行试验对象类别划分，采集受试者步态过程中的足底压力数据，按实验对象划分数据集，保证同一病人的数据只出现在训练集或者测试集；基于长短时记忆神经网络的模型搭建，将每个LSTM单元的输出进行均值池化，每个LSTM单元的输出代表了对当前时刻之前的所有输入数据学习到的抽象特征，将这些抽象特征与最后时刻的特征拼接，送人全连接层中，最后使用激活函数输出概率值，二分类时使用Sigmoid函数，多分类使用Softmax函数；模型训练与结果评估。本发明有助于定量评估步态障碍，为医生提供诊断辅助。

说明书

技术领域

本发明涉及数字诊断、人工智能、康复训练领域，具体涉及一种基于长短时记忆神经网络的异常步态检测方法。

背景技术

步态异常可因运动或感觉障碍引起，其特点与病变部位有关。可见于许多神经系统疾病中，如帕金森病、常压脑积水等。典型异常步态，对特定疾病具有提示意义，但目前医生常用的诊断方式是通过望诊做出诊断，对于病情较轻的初期患者，往往较难进行分辨。迫切需求对异常步态量化的、细致的检测方法，对诊断提供帮助。

地面反作用力是人在行走过程中受到的唯一外力，足底压力可以充分反映步态。在步态周期的支撑相过程中，足底与地面相互作用，地面反作用力对于步态有着根本性的作用，该信息可以通过力传感器采集。步态的异常状态与变化可以在足底压力中得到反映。较为明显的有帕金森病和常压脑积水。

帕金森病患者早期会出现步态功能障碍，包括慌张步态、拖曳步态等。步态功能障碍可用于评估帕金森病患者的生活质量、跌倒风险甚至死亡率。但是在患病初期，在能够自行行走的患者中，步态异常是难以通过望诊的方式察觉的。正常颅压脑积水(NPH)是指颅内压力正常而有脑室扩大，并且伴有记忆力、智力减退，步态不稳，尿失禁的三联临床综合症。步态功能障碍是常压脑积水患者首先出现的第一症状，偶然可出现于智力下降，尿失禁之后，步态功能障碍在患病初期表现为轻微的走路不稳，严重者表现为不能行走或站立。待患病晚期，三联症状较为明显时，可以通过腰穿测试确定是否患常压脑积水。但由于病理尚未明确，该病情初期的诊断方式缺失，导致较多患者不能接受到及时的治疗。步态评估具有挑战性，严重依赖于临床医生的专业知识，具有主观性。

发明内容

本发明为克服现有技术，提供一种基于长短时记忆神经网络的异常步态检测方法。该方法通过脚底的压力传感器，采集患者在步行过程中的足底压力信息，并用所提出的基于长短时记忆神经网络的步态异常检测方法进行分类，可以帮助医生简化诊断过程。

一种基于长短时记忆神经网络的异常步态检测方法，包含以下步骤：

a、数据预处理；

b、基于长短时记忆神经网络的模型搭建；

c、模型训练与结果评估。

进一步地，所述数据预处理包含基于数据库进行试验对象类别划分，采集受试者步态过程中的足底压力数据，按实验对象划分数据集，保证同一病人的数据只出现在训练集或者测试集；

数据样本点的压力值为：

搭建基于长短时记忆神经网络的模型，将隐藏层个数设置为128，并将每个LSTM单元的输出进行均值池化，每个LSTM单元的输出代表了对当前时刻之前的所有输入数据学习到的抽象特征，将这些抽象特征与最后时刻的特征拼接，送人全连接层中，最后使用激活函数输出概率值。

二分类任务时输出采用Sigmoid函数，损失函数为二分类交叉熵，也即：

其中，

或者多分类任务时采用Softmax函数，损失函数为多分类交叉熵，也即：

其中，

本发明相比现有技术的有益效果是：

本发明能实现对异常步态的早期检测，有助于帮助医生进行早期病情诊断，帮助患者及早接受治疗。对受试者步态周期中的足底压力进行分类与识别，本发明可以实现对步态特征的检测，通过与健康数据集对比，检测异常步态，并且量化步态异常程度，并进行异常步态分类。有助于定量评估步态障碍，为医生提供诊断辅助。

下面结合附图和实施例对本发明的技术方案作进一步地说明：

附图说明

图1为本发明基于长短时记忆神经网络的异常步态检测流程图；

图2为LSTM模块示意图；

图3为LSTM单元示意图；

图4为均值池化的示意图。

具体实施方式

本实施方式的一种基于长短时记忆神经网络的异常步态检测方法，包含以下步骤：

a、数据预处理；

b、基于长短时记忆神经网络的模型搭建；

c、模型训练与结果评估。

下面通过实施例进一步说明本发明：

实施例1

此为二分类实验，即区分正常人和病人。

使用数据库里的数据，该数据集包含93名帕金森病患者和73名健康对照者的足底压力测量数据。受试者在水平地面上按自己步调行走约2分钟。在受试者穿着的每个鞋垫中，有八个传感器，分别以L1、L2、L3、L4、L5、L6、L7、L8、R1、R2、R3、R4、R5、R6、R7和R8表示采样位置。以100赫兹/秒的速度测量足底压力。即在左脚和右脚各采集8路足底压力信号，以及计算左右脚合力，共计18路信号。

经分析步态周期大致为1s，按实验对象划分数据集，保证同一病人的数据只出现在训练集或者测试集。因为步态周期大致为1s，并不精准，因此按50％重叠率，以100*18个数据点为一组进行分段作为输入，并采用最大最小归一化至[0,1]，如下式所示：

X

接着搭建模型，如图1所示，给出3路信号为例，为隐藏层个数设置为128，并将每个LSTM单元的输出进行均值池化，每个LSTM单元的输出代表了对当前时刻之前的所有输入数据学习到的抽象特征，使用均值池化可增强模型的泛化能力也可以减少全连接层的参数，均值池化如图4所示。将这些抽象特征与最后时刻的特征拼接，送入全连接层中，最后使用Sigmoid函数输出异常的概率值。

参考图3，参数更新如下式所示：

f

i

o

h

由于这里进行的二分类，即区分正常人和病人，因此损失函数使用了二分类交叉熵，如下式所示。其中

实验中，批处理大小为10，采用随机梯度下降为优化器，学习率为0.1，学习轮数50。

为了更好的评估模型的性能，采用十轮交叉验证，取平均值作为模型最终的精度。从准确率、精准度、召回率、特异性和F1系数进行评估。同时也与如下多种其他方法进行比较，可以看到所提的方法效果最优。

实施例2

此为多分类实验，依照数据库里的评分信息，将实验对象分为5个级别，专家评分小于5为第一类，评分介于5和15为第二类，介于15和25为第三类，基于25和35为第四类，大于35为第五类，将类别进行独热编码。

在受试者穿着的每个鞋垫中，有八个传感器，分别以L1、L2、L3、L4、L5、L6、L7、L8、R1、R2、R3、R4、R5、R6、R7和R8表示采样位置；使用数据库里的数据，在左脚和右脚各采集8路足底压力信号，以及计算左右脚合力，共计18路信号，采样频率100HZ。

经分析步态周期大致为1s，按实验对象划分数据集，保证同一病人的数据只出现在训练集或者测试集。因为步态周期大致为1s，并不精准，因此按50％重叠率，以100*18个数据点为一组进行分段，并采用最大最小归一化至[0,1]，如下式所示。

X

接着搭建模型，隐藏层个数设置为256，并将每个LSTM单元的输出进行均值池化，每个LSTM单元的输出代表了对当前时刻之前的所有输入数据学习到的抽象特征，使用均值池化可以增强模型的泛化能力也可以减少全连接层的参数，均值池化如图3所示。将这些抽象特征与最后时刻的特征拼接，送入全连接层中，最后使用Softmax函数输出异常的概率值。

由于这里进行的多分类，即将病人分为不同的病情等级，因此损失函数使用了多分类交叉熵，如下式所示。其中

实验中，批处理大小为10，采用随机梯度下降为优化器，学习率为0.1,学习轮数50。

为了更好的评估模型的性能，采用十轮交叉验证，取平均值作为模型最终的精度。从准确率、精准度、召回率、特异性和F1系数进行评估。由于多分类标准不同，在这里不进行对比，只给出实验结果。

本发明已以较佳实施案例揭示如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可以利用上述揭示的结构及技术内容做出些许的更动或修饰为等同变化的等效实施案例，均仍属本发明技术方案范围。