[发明专利]运动行为和认知能力的关联分析方法及系统

说明书

技术领域

本发明涉及机器学习领域，尤其涉及进行运动行为与认知能力关联分析的方法及系统。

背景技术

神经退行性疾病(Neurodegenerative disease)是威胁老年人生命健康的重大慢性疾病之一。传统的医学观点将神经退行性疾病分为两大类：一类是认知障碍疾病，这类疾病患者可能有记忆、语言或记忆力方面的障碍，而其运动功能是保留的；另一类是运动障碍疾病，这类疾病患者运动功能受损而认知功能却是完全保留的。近年来多个临床医学研究表明，认知障碍通常会伴随着运动功能混乱，而运动功能障碍也常常伴随有认知功能紊乱。

在现有技术中，在认知能力评估中，很少存在有效进行运动行为评估的工具，例如，爱丁堡运动评估(Edinburgh Motor Assessment)主要应用于老年痴呆疾病的诊断，为认知障碍评估提供了简单的运动行为监测工具。又如，共济失调评定量表(SARA)以及统一帕金森评定量表(UPDRS)是目前认知障碍检测中被大家广泛接受的几种行为评估量表。然而，这些行为评测的结果通常是由医护人员进行记录和分析的，从而带来了一系列的问题，例如，测试记录工作十分繁琐，加重了医护人员的工作负担，以及医护人员的主观性通常影响行为评估测试的分析结果。

此外，为了将运动行为与认知能力之间的关联分析自动化、客观化，计算机领域与医学领域的研究人员进行了很多共同的尝试。例如，将加速度、陀螺仪、磁力计等可穿戴传感器以及三维摄像机、智能手机等不同的传感器设备用来收集运动行为数据；将机器学习方法应用于运动行为与认知能力的关联分析等。

然而，现有技术中的这些方法在通用性、针对性以及适用性方面尚存在一些不足。例如，由于在运动行为与认知能力的关联分析中，通常很难大规模采集数据，并且由于认知障碍患者数目通常远远小于非认知障碍患者，采集的数据还具有不均衡性的特点，传统的机器学习算法通常不适合具有不均衡特性的小样本数据集，因此，导致小类别(认知障碍患者)的识别精确度不高等问题。

发明内容

因此，本发明的目的在于克服上述现有技术的缺陷，提供一种针对不均衡小样本数据集的运动行为与认知能力之间的关联分析方法，为挖掘运动行为与认知疾病之间的关联关系提供通用有效的手段。

根据本发明的第一方面，提供了一种运动行为和认知能力的关联分析方法。该方法包括：

步骤1：从运动行为数据中提取反映行为特点的运动特征集；

步骤2：采用迭代随机森林从所述运动特征集中选出用于分析认知能力的最优特征子集；

步骤3：利用所述最优特征子集采用分类器获得运动行为和认知能力的关联分析结果。

在一个实施例中，步骤2包括：

步骤21：通过多次重复随机采样将所述运动特征集划分为多个训练集和多个测试集；

步骤22：根据所述多个训练集构建多个随机森林；

步骤23：在所述多个测试集上检验所构建的随机森林的性能，根据每个特征出现在随机森林的个数和在随机森林中出现的频率选出一部分重要特征；

步骤24：根据所述一部分重要特征重新构建随机森林，重复步骤22和步骤23进行迭代，以选出用于认知能力分析的最优特征子集。

在一个实施例中，在步骤23中，采用下式来选择所述一部分重要特征：每个特征f_j出现的随机森林个数N_j；和每个特征f_j在随机森林中出现的频率F_j；

其中，

和分别表示在S个随机森林的B棵树中分裂属性为f_j的内部节点数目以及所有内部节点的个数。

在一个实施例中，步骤24包括：将与预设阈值进行比较，其中，n(t)为当前第t次迭代的特征数目，如果r大于所述阈值，则继续进行迭代并将下一次迭代的特征数目n(t+1)设置为r；如果r小于所述阈值，则终止迭代并选择当前的n(t)个特征作为最优特征子集。

在一个实施例中，步骤3包括以所述最优特征子集作为输入向量，以是否患有认知能力疾病或认知能力等级作为目标向量，利用加权极限学习机来获得运动行为和认知能力的关联分析结果。

在一个实施例中，所述运动行为数据使用Kinect、智能手机、智能手表、肌电仪采集获得。

在一个实施例中，所述运动特征集包括步态特征、灵活度特征和平衡性特征。

在一个实施例中，采用分类精度、灵敏度、特异性或几何均值来衡量所述迭代随机森林的性能。