[发明专利]一种基于马氏距离的步态分类与量化方法

说明书

本发明属于三维步态分析技术领域，公开了一种基于马氏距离的步态分类与量化方法，包括：以正常关节角度为参考模板，计算样本j第i个关节角度异常指标dist^i，j；计算样本各关节角度异常指标，将样本j各关节角度的异常指标dist^1，j，...，dist^N，j组合成向量，作为样本j的异常指标向量dist^j＝(dist^1，j，...，dist^N，j)；学习各关节角度之间的相关性，得到马氏矩阵∑，计算样本异常指标向量dist^j与正常人参考步态向量之间的马氏距离，得到样本整体步态异常指标；以样本j的异常指标向量dist^j作为样本的特征向量，结合马氏矩阵∑，使用SVM分类器对样本步态进行分类。

技术领域

本发明属于三维步态分析技术领域，尤其涉及一种基于马氏距离的步态分类与量化方法。

背景技术

目前，最接近的现有技术：直接计算序列距离的方法，基于步态特征的方法，基于主成分分析的方法。三维步态分析是一种根据生物力学原理，使用红外摄像技术和计算机技术，检测、记录人体步行时躯干及相关关节运动等数据，分析样本步行功能障碍的一种技术。相比于传统的步态分析方法，三维步态分析技术能够获得精确的下肢关节角度数据，发现导致样本运动功能障碍的关键原因，评价步态异常程度，广泛应用于脑卒中、脑瘫、帕金森等疾病的步态分析，为制定康复目标和康复方案提供依据。

评定师通常依据生物力学相关知识对样本步态数据进行分析，主观评价其步态异常程度、判断康复效果。但是面对高维的步态数据，评定师通常需要花费大量时间进行分析，且分析结果易受主观影响，难以直观了解样本整体步态情况。因此，需要一种客观评价样本步态异常程度的方法。

机器学习技术能够量化异常步态和正常步态的差异，实现客观、准确和高效的步态数据分析。现有基于机器学习技术的步态分析主要有三种：第一类方法是直接计算序列距离：分别计算每个关节序列数据和正常人之间的欧式距离，得到单个关节的步态异常指标，并对各关节异常指标求和，得到整体步态异常指标；第二类是基于步态特征的方法：计算步速、平均骨盆倾角和骨盆倾角范围等步态特征，然后计算样本与正常人步态特征之间的欧式距离，得到整体步态异常指标；第三类是基于主成分分析的方法：计算步态序列数据的主成分，使用样本步态主成分和正常人步态主成分之间的欧式距离，得到整体步态异常指标。

目前常用的三类步态分析方法存在如下问题：

直接计算序列距离的方法虽然能够同时得到关节角度和整体步态的异常信息，但是在计算整体步态异常指标时忽略了关节角度之间的相关性。例如对于脑卒中样本，由于其大脑功能受损，导致运动功能障碍，会造成步态异常，因此样本髋关节和膝关节可能都出现异常。若直接将髋关节和膝关节的异常程度相加作为样本的步态异常指标，忽略两者之间的相关性，则会过高估计样本步态异常程度。

基于特征的方法存在如下限制：1)选择步速、平均骨盆倾角和骨盆倾角等特征，这些特征的设计需要有专业背景知识的人员才能完成；2)扩展性差，人工设计的特征都是针对特定病种，难以扩展到其他疾病；3)需要收集大量的样本数据才能达到较好的性能；4)只能得到整体步态异常信息，无法得到特定关节的异常信息。

基于主成分分析的方法将所有关节角度序列数据合并为一个高维度向量，然后计算步态数据的主成分作为其特征。因为主成分分析涉及到求解特征值的问题，而一般求解N×N大小矩阵的复杂度为O(N^3)，此部分时间消耗高。因此计算所有关节角度的时间消耗远远高于分别计算单个关节角度的复杂度。另外此方法只能得到整体步态异常信息，无法得到特定关节的信息。

此外，上述三种方法在计算样本步态与正常模板之间的距离时，采用的距离度量方式为欧式距离，欧式距离易受数据尺度的影响，且忽略了属性之间的相关性，不宜直接用于步态异常程度评价。

综上所述，现有技术存在的问题是：