[发明专利]一种基于直接特征提取的多通道时序步态分析算法

权利要求书

1.一种基于直接特征提取的多通道时序步态分析算法，其特征在于，包括以下步骤：

S1、拍摄若干受试者的步态视频信息，将所有视频信息分割成单个分离的步态周期，对分割后的每个步态周期进行插值和重新采样，将不同运动速度/采集帧率的步态周期调整为同一长度；

S2、定义标准化后的步态参数为S^z，S^z的距离方程为：

所述公式1中，P_i，x，P_i，y均为1到K的整数，K取1到9中的整数，P_i，x，P_i，y为相对应的步态相位，为在第i个周期内第x帧对应的标准步态参数S^z值，为在第j个周期内第y帧对应的标准步态参数S^z值，φ为标签距离；

标签距离φ(a，b)定义为：

其中，bool(x)为二值函数，如果x为非0则其输出为1；

S3、使用k-nn(k最近邻)的算法和参数距离方程对已经标记好的训练数据做聚类，对任意一个聚类的距离方程为：

其中，M为聚类的大小；

将聚类进行平均，由此可以得到聚类平均值其对应的输出的标签为P_x；

S4、在x帧周围选取任意一个小窗(u，v)的时间序列，其中u，v均∈[-0.5，0.5)，根据公式4计算该时间序列的特征值：

其中，L为标准化后的步态周期长度，u，v均为{-0.5，-0.49，-0.48，……，0.49}中的值；

为避免分类器过拟合训练数据，通过基尼杂质Q(C_n)来度量本实施例中时间序列的质量，

其中，C_n＝{P_{u，v}|u，v∈{-0.5，-.049，…，0.49}}，

u，v均为{-0.5，-0.49，-0.48，……，0.49}中的值，选取C_n值最高的B个(u，v)时间序列作为训练数据；

采用增强随机森林作为训练的模型，在训练过程中我们将目标帧x的标签与这些时间序列映射起来，C_n值最高的B个(u，v)时间序列作为随机森林训练的输入，而(u，v)所在帧x的步态分类标签作为训练的期待输出；

S5、步态相位重建

增强随机森林的输出为当前帧x分类的概率向量ρ＝{ρ¹，……，ρ⁹}，其中每一个概率向量的值表示对应的步态相位的概率，为了对任一时间片段的特征值f_s，……，f_e进行步态输出，通过公式6来检测当前时间序列中的步态相位：

公式6中，a、b为两个相邻步态相位，η_f(a、b)为当前时间片段在相邻步态相位a、b之间的相关系数；

选择当前时间序列中相关系数最大的点作为步态事件，并以此重新分割步态，再次迭代上面的操作：以上一次迭代计算得到的步态事件分割而成的步态分类，计算相邻步态间相关系数，找出全局最大相关系数的点作为步态事件优化上一次迭代的步态分类，直到分类收敛。

2.如权利要求1所述的一种基于直接特征提取的多通道时序步态分析算法，其特征在于：步骤S1中所述将不同运动速度/采集帧率的步态周期调整为同一长度具体包括以下步骤：使用2阶贝塞尔曲线回归出连续的运动曲线，并均匀地在每个步态周期样本中采样N个采样点。

3.如权利要求1所述的一种基于直接特征提取的多通道时序步态分析算法，其特征在于：步骤S4和S5之间还包括以下步骤：对输入序列进行嵌入编码，将训练数据编码后在输入到随机森林，编码方式按公式5进行计算：

γ(f)＝(sin(2⁰πf)，cos(2⁰πf)，...，sin(2^L-1πf)，cos(2^L-1πf)) 公式5

其中，f＝f_x(u，v)，L为4。