一种基于反向传播神经网络的步态异常识别方法与流程

本发明属于生物特征识别技术领域，具体涉及步态异常识别方法。

背景技术：

步态指人走路时所表现出来的姿态，是人体重要生物特征之一。异常步态多与病变部位有关，作为反映人体健康状况和行为能力的重要特征，及时获得准确可信的步态信息，训练异常步态分类器对步态异常进行及时预警，且长期对其进行监测与评估，在医疗诊断、疾病预防中具有重要的指导意义。

目前主流的步态识别方法主要分基于视频及图像处理的计算机视觉方案和基于步道与穿戴式传感器如imu的传感器方案。两种方案得到原始数据后均涉及大量专业的数据预处理工作及繁复的特征工程，以便提取步态周期内各相关特征，虽然准确率高但实时性差，计算复杂度高。而主流步态识别系统只提供各数字指标，异常步态的识别与分类任务主要由人类专家完成，需要相关领域大量的专业知识。

技术实现要素：

本发明的目的在于提供一种准确度高、实时性好、计算复杂度低的步态异常识别方法。

本发明提供的步态异常识别方法，是基于反向传播神经网络技术的，对采集的信号进行预处理后对异常步态通过原始信号直接进行分类，具体步骤如下：

步骤一，利用穿戴于人体的imu（惯性传感单元）采集人体正常行走时的信号，得到正常步态三轴加速度信息；

步骤二，利用穿戴于人体的imu采集人体模拟典型异常步态行走时的信号，得到异常步态三轴加速度信息；

步骤三，根据目标典型行走步频，将原始数据做开窗切割预处理，并根据步态类别将各数据队列打上相应标签，形成数据标签对集；

步骤四，搭建bnpp反向传播神经网络（bpnn），bpnn网络为三层全连接结构，输入层所有结点连接至隐藏层，隐藏层所有结点连接至输出层；定义输入层、隐藏层、输出层，以及各激活函数；

步骤五，将步骤三中得到的数据标签对分成训练集与测试集，训练集送入步骤四中搭建的bpnn进行训练，训练完成后利用测试集评估模型分类效果。

本发明步骤一、步骤二中，所述imu采集单元可安置但不限于小腿、鞋中、腰间，但要求正常步态与异常步态的安装方式一致。

本发明步骤二中，所述典型异常步态包括但不限于偏瘫步态、帕金森步态、鸭步步态、跨阈步态、双瘫步态，等等。

本发明步骤三中，所述对原始数据做开窗切割预处理，其数据窗长度典型值为两个步态周期，窗间逐段步进值取开窗长度的四分之一，所述标签形式为但不限于独热编码。

本发明步骤四中，所述输入层结点数ninputnodes定义为步骤三中每段数据窗在当前采样频率fc下来自imu三轴的采样点数，也即：

，其中twindows为数据窗时域长度。

所述输出层结点数定义为当前模型中步态种类数，也即一种正常步态与所有异常步态之和。

所述三层bpnn的权重优化方法采用梯度下降法。

所述bpnn的隐藏层激励函数可为但不限于relu函数、sigmod函数或tanh函数，输出层激励函数为softmax函数。

进一步地，所述bpnn的代价函数形式为在计算方差中加入l2范数的形式。

本发明的有益效果是，构建了三层反向传播神经网络，并通过增加输入层结点数量的方式对原始imu三轴加速度数据进行直接分类，原始数据仅需进行简单的开窗截取并送入神经网络即可，从而省却了繁复的周期划分与特征提取工程，与此同时对异常步态的分类准确率可以得到提高，在多分类任务较佳实施例中可达到94%，减少了数据预处理工作量，提高了分类准确度与判别效率。

附图说明

图1为本发明基于反向传播神经网络的步态异常识别方法流程图。

图2为本发明较佳实施例中正常步态下原始信号示例（截取10s）。

图3为本发明实施例中偏瘫步态（划圈步态）下原始信号示例（截取10s）。

图4为本发明实施例中帕金森步态（慌张步态）下原始信号示例（截取10s）。

图5为本发明实施例中臀中肌肌病步态（鸭步步态）下原始信号示例（截取10s）。

图6为本发明实施例中跨阈步态下原始信号示例（截取10s）。

图7为本发明实施例中双瘫步态（剪刀样步态）下原始信号示例（截取10s）。

图8为本发明较佳实施例中每次送入神经网络的一段信号窗所含信号示例。

图9为本发明搭建的反向传播神经网络的结构图。

图10为本发明实施例中训练后模型在测试集上的混淆矩阵。

图11为本发明的反向传播神经网络训练流程图。

具体实施方式

下面结合附图并举较佳实施例，对本发明进行详细描述。

本发明提供了一种基于卷积神经网络的人体运动步态分类方法，方法流程示意图如图1所示。该方法采用如下步骤实现：

步骤一，将imu硬件系统通过绑带固定于右小腿外侧，其中，y轴与水平面垂直，x轴与人体冠状面垂直，z轴与人体矢状面垂直。设置系统采样率为512hz，设置imu加速度计领灵敏度为±2g，采集人体正常行走时的运动信号，采集步数不少于100步，得到正常步态三轴加速度信息，一段正常步态下原始信号示例（截取10s）如图2所示。

步骤二，imu放置与采集流程同步骤一，采集目标模拟异常步态下的imu三轴加速度信息。在本实施例中从肌病、骨病、大脑损伤等常见致病因导致的异常步态中选取五种典型异常步态进行模拟，其分别为偏瘫步态（划圈步态）、帕金森步态（慌张步态）、臀中肌肌病步态（鸭步步态）、跨阈步态、双瘫步态（剪刀样步态）。本实施例中在五种异常步态下采集的原始信号示例（截取10s）如图3所示。

步骤三，根据目标典型行走步频将原始数据做开窗切割预处理，并根据步态类别将各数据队列打上相应标签。在本实施例中每段信号窗取2000ms内所有采样点，在512hz下三个轴可以得到3072个点。本实施例举六分类任务，序号标签为0至5，其中偏瘫步态（划圈步态）的标签为0，帕金森步态（慌张步态）的标签为1，正常步态的标签为2，臀中肌肌病步态（鸭步步态）的标签为3，跨阈步态的标签为4，双瘫步态（剪刀样步态）的标签为5。在二分类任务中（正常步态与异常步态），正常步态可重新标记为1，所有异常步态可重新标记为0。

步骤四，搭建bnpp反向传播神经网络。根据输入数据维度（3*1024），设置输入层结点数为3072。根据神经网络模型经验，设置隐藏层结点数为512，根据本实施例最终分类数，设置输出层结点数为6。隐藏层激励函数可为但不限于relu函数、sigmod函数、tanh函数，本实施例中采用relu线性修正单元，其公式为：

输出层激励函数为softmax函数，其公式为：

其中，wj(j＝0,1,2,3,4,5)为从隐含层到输出层的权重向量。卷积神经网络的代价函数可以选为常规形式或交叉熵代价函数形式,本实施中卷积神经网络的代价函数选为交叉熵代价函数加l2正则化参数，交叉熵具体形式为：

其中，为标签中的第i个值，为经softmax归一化输出的vector中的对应分量。l2正则具体形式为：

其中，ein是未包含正则化项的训练样本误差，λ是正则化参数。bpnn网络结构如图9所示。

步骤五，将步骤三中得到的标签转为独热编码（10000、01000、001000、000100、000010、000001），并将信息窗、标签一一对应后取65%做训练集，其余35%做测试集。将训练集送入步骤四中的bpnn进行训练并做十折交叉验证。bpnn算法流程如图11所示。

在本实施例中，batchsize也即每轮训练所取的序列集数取128，学习率取0.001，正则化参数取0.0001，训练步数取10000步进行训练。训练完成后利用测试集评估模型分类效果。

经验证，在本实施例中模型在测试集的六分类准确度为94.978%，f1值（精确率和召回率的调和均值）为96.092%。测试结果的混淆矩阵如图10所示。

需要指出的是，上述实施例仅用于说明本发明，其各步骤的实现方式是可以有所变化的，对本领域的专业技术人员来说对这些实施例的多种修改是显而易见的，因此凡是在本发明一般理念以及精神的基础上进行的等同变换和改进，均应在本发明的保护范围之内。