一种基于机器学习决策分类的异常步态检测方法及系统

本发明涉及异常步态检测，具体为一种基于机器学习决策分类的异常步态检测方法及系统。

背景技术：

1、异常步态是指个体在行走时表现出与正常步态显著不同的步态模式。这种步态的异常可能是由多种因素引起的，包括疾病、受伤、神经系统问题、肌肉骨骼疾病、老化等。异常步态不仅影响个体的运动能力，还可能导致摔倒等意外，严重时影响生活质量。异常步态检测是机器学习中的一个重要应用，尤其在医疗、安防和人机交互等领域，机器学习的异常步态检测方法包括数据采集、特征提取、选择机器学习模型、模型训练、异常步态检测。

2、由于基于机器学习的异常步态检测的先决条件是采集相关异常步态特征值，并选择标签进行模型训练，其输出值取决于异常步态提取的特征值，而这些数值需要人工收集、采集，但是由于步态的异常可能是由多种因素引起的，包括疾病、受伤、神经系统问题、肌肉骨骼疾病、老化等各种各样的因素影响，人工难以收集所有的样本数据，因而导致基于机器学习的异常步态检测具有一定的不准确性。

3、在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本发明的目的在于提供一种基于机器学习决策分类的异常步态检测方法及系统，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、一种基于机器学习决策分类的异常步态检测方法，具体步骤包括：

4、s1、通过摄像机拍摄待测人员行走视频，对行走视频进行分析，将待测人员每次左脚抬起时划分为每次循环起点，检测异常值，并定位异常循环，剔除行走视频中异常循环的帧图像，将剔除行走视频中异常循环帧图像后的视频作为采集参考样本，根据采集参考样本采集待测人员的实际行走参数，所述实际行走参数包括加速度、膝盖弯角、足底压力；

5、s2、对加速度进行预处理，生成去偏加速度，所述去偏加速度用于反映消除偏移量后的垂直方向上的加速度；

6、s3、对去偏加速度进行相关性分析，生成垂直加速度异常评估指数byp，所述垂直加速度异常评估指数byp用于反映人行走时上下加速度的异常程度；

7、s4、对膝盖弯角进行相关性分析，生成膝盖弯角异常指数xwy，膝盖弯角异常指数xwy用于反映人行走时膝盖弯曲稳定程度；

8、s5、对足底压力进行预处理，生成双脚干涉评估指数r，双脚干涉评估指数r用于反映行走时两脚运动轨迹的非对称性；

9、s6、对双脚干涉评估指数r、膝盖弯角异常指数xwy、垂直加速度异常评估指数byp进行相关性分析，生成异常步态评估指数yp，异常步态评估指数yp用于反映人体行走综合异常评估值；

10、s7、将异常步态评估指数yp与阈值进行比对，输出行走步态异常等级。

11、进一步地，所述s1中，在人体腰间两侧分别设置九轴姿态角度传感器，用于采集加速度，在人体膝盖内侧分别设置旋转角度传感器，用于采集膝盖弯角，在人体足跟设置薄膜压力传感器，用于采集足底压力，所述加速度、膝盖弯角、足底压力采集频率均为0.01秒。

12、进一步地，所述s1中，对行走视频进行分析，采集全部加速度参数，所述全部加速度参数包括行走视频中对应时间节点的所有的人体加速度数值，并将所述人体加速度数值整合为行走加速度集合，并用表示，其中用于表示第h个时间节点的加速度数值，c为正整数，对行走加速度的集合进行相关性分析，生成行走加速度的均值，所依据的公式为：

13、

14、定义检测参数，所依据的公式为：

15、检测参数中下标h用于索引时间节点，将和的部分定义为异常值，并记录对应h的数值，并根据对应h的数值索引异常循环，将行走视频中异常循环从行走视频中剔除。

16、将剔除行走视频中异常循环帧图像后的视频作为采集样本，采集加速度a的集合为，其中用于表示第i个采样时刻的加速度数值，n为正整数。

17、进一步地，对加速度a进行相关性处理，生成垂直加速度，所依据的公式为：

18、

19、其中，垂直加速度用于反映人体实际行走时垂直方向上的加速度分量，为第i个采样时刻时膝盖弯角，为重力加速度；

20、对垂直加速度进行相关性分析，生成去偏加速度，所依据的公式为：

21、

22、去偏加速度用于反映消除偏移量后的垂直方向上的加速度。

23、进一步地，对去偏加速度进行相关性处理，生成加速度强度指数bqz、加速度离散指数bwz、加速度偏差指数bdz，所依据的公式为：

24、其中，加速度强度指数bqz用于反映加速度的平均状态统计值，加速度离散指数bwz用于反映加速度的离散状态统计量，加速度偏差指数bdz用于反映加速度周期性偏差程度；

25、对加速度强度指数bqz、加速度离散指数bwz、加速度偏差指数bdz进行相关性分析，生成垂直加速度异常评估指数byp，所依据的公式为：

26、其中，为加速度稳定权重因子，的取值范围为，垂直加速度异常评估指数byp用于反映人行走时上下加速度的异常程度。

27、进一步地，旋转角度传感器所采样的膝盖弯角用集合表示，所述膝盖弯角的集合为，其中用于表示第i个采样时刻时的膝盖弯角，对膝盖弯角进行相关性分析，生成膝盖弯角异常指数xwy，所依据的公式为：

28、其中，为膝盖弯角集合中为膝盖弯角的最小值，为膝盖弯曲异常因子，的取值范围为，膝盖弯角异常指数xwy用于反映人行走时膝盖弯曲稳定程度。

29、进一步地，所述足底压力包括左脚压力以及右脚压力，所述左脚压力的集合为，用于表示第i个采样时刻的左脚压力数值，所述右脚压力的集合为，用于表示第i个采样时刻的右脚压力数值，n为正整数。

30、进一步地，对左脚压力和右脚压力fr进行相关性分析，生成左脚均值压力zjy和右脚均值压力yjy，所依据的公式为：

31、左脚均值压力zjy用于反映左脚平均压力，右脚均值压力yjy用于反映右脚平均压力；

32、对左脚均值压力zjy和右脚均值压力yjy进行相关性分析，生成双脚干涉评估指数r，所依据的公式为：

33、双脚干涉评估指数r用于反映行走时两脚运动轨迹的非对称性程度。

34、进一步地，对双脚干涉评估指数r、膝盖弯角异常指数xwy、垂直加速度异常评估指数byp进行相关性分析，生成异常步态评估指数yp，所依据的公式为：

35、异常步态评估指数yp用于反映人体行走综合异常评估值；

36、阈值设定为5.87，当，输出行走步态异常等级为三级，表示人体具有异常步态的置信度为95%；当，输出行走步态异常等级为二级，表示人体具有异常步态的置信度为70%；当，输出行走步态异常等级为一级，表示人体具有异常步态的置信度为10%。

37、本发明还提供了一种基于机器学习决策分类的异常步态检测系统，用于执行一种基于机器学习决策分类的异常步态检测方法，包括：

38、参数采集模块，所述参数采集模块用于通过摄像机拍摄待测人员行走视频并实时采集待测人员的实际行走参数，并将行走参数的时间节点与行走视频的时间节点进行对应匹配；

39、加速度分析模块，所述加速度分析模块用于对加速度进行预处理，生成去偏加速度，并对去偏加速度进行相关性分析，生成垂直加速度异常评估指数byp；

40、膝盖弯角分析模块，所述膝盖弯角分析模块用于对膝盖弯角进行相关性分析，生成膝盖弯角异常指数xwy；

41、足底压力分析模块，所述足底压力分析模块用于对足底压力进行预处理，生成双脚干涉评估指数r；

42、综合分析模块，所述综合分析模块用于对双脚干涉评估指数r、膝盖弯角异常指数xwy、垂直加速度异常评估指数byp进行相关性分析，生成异常步态评估指数yp；

43、比对模块，所述比对模块用于将异常步态评估指数yp与阈值进行比对，输出行走步态异常等级。

44、与现有技术相比，本发明的有益效果是：

45、本发明通过建立人体实际行走模型，采集人体实际行走时的加速度、膝盖弯角、足底压力参数，分别对各项参数进行数据分析处理，并分别生成用于反映人行走时上下加速度的异常程度的垂直加速度异常评估指数、用于反映人行走时膝盖弯曲稳定程度的膝盖弯角异常指数、用于反映行走时两脚运动轨迹的非对称性程度的双脚干涉评估指数，并进行综合性分析，生成反映人体行走综合异常评估值的异常步态评估指数，从而输出行走步态异常等级，基于机器学习的输出结果进行进一步判断，从而提高评估判断准确性。