一种基于分阶段特征提取的冻结步态检测系统

摘要

本发明公开了一种基于分阶段特征提取的冻结步态检测系统，属于机器学习领域。包括：基于用户行走过程中采集到的原始加速度数据，构建有标签的样本集，样本为加窗处理后的加速度数据序列，标签表示样本属于正常步态还是冻结步态；对每个样本进行分阶段特征提取；使用PCA对步态特征集进行特征变换，得到低维新步态特征集，对低维新步态特征集进行特征选择，得到最优步态特征子集；使用最优步态特征子集训练基于机器学习的冻结步态检测模型；提取待测样本的分阶段特征，输入至训练好的冻结步态检测模型，得到冻结步态检测结果。本发明提取加速度信号中运动分量及冻结带，并对运动信号进行合成与分解，以充分发挥原始数据的潜在特征。

权利要求

1.一种基于分阶段特征提取的冻结步态检测系统，其特征在于，包括：计算机可读存储介质和处理器；

所述计算机可读存储介质用于存储可执行指令；

所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行如下基于分阶段特征提取的冻结步态检测方法，该方法包括以下步骤：S1.基于用户行走过程中采集到的原始加速度数据，构建有标签的样本集，其中，样本为加窗处理后的加速度数据序列，标签表示样本属于正常步态还是冻结步态；

S2.对每个样本进行分阶段特征提取：将样本加速度分解为运动分量、重力分量和冻结带；基于样本加速度计算第一急动度；基于运动分量计算第二急动度；基于冻结带加速度计算第三急动度；将样本加速度、第一急动度、第二急动度和第三急动度的三轴数据分别进行合成，得到合成加速度、第一合成急动度、第二合成急动度和第三合成急动度；分别提取合成加速度、第一合成急动度、第二合成急动度和第三合成急动度的时域特征和频域特征，得到步态特征集；

S3.使用主成分分析法对步态特征集进行特征变换，得到代表原始步态特征集的低维新步态特征集，采用基于相关系数或者最大信息系数法对低维新步态特征集进行特征选择，得到最优步态特征子集；

S4.使用最优步态特征子集训练基于机器学习的冻结步态检测模型，训练过程中，冻结步态检测模型接收样本进行学习后对样本标签做出预测，将预测结果与实际标签进行比较后修正冻结步态检测模型；

S5.提取待测样本的分阶段特征，输入至训练好的冻结步态检测模型，得到冻结步态检测结果。

2.如权利要求1所述的系统，其特征在于，步骤S1中，构建样本集之前，对传感器获取的原始数据进行数据清洗、滤波降噪和动静态分离；

所述滤波降噪，首先使用巴特沃斯低通滤波消除数据清洗处理后信号中的尖峰噪声，再使用滑动平均滤波消除随机噪声；

所述动静态分离，首先计算滤波降噪处理后信号的急动度，再根据急动度的大小，剔除单次试验前后的非运动态加速度数据，得到运动态加速度数据。

3.如权利要求2所述的系统，其特征在于，所述根据急动度的大小，剔除单次试验前后的非运动态加速度数据，得到运动态加速度数据，具体包括以下步骤：I.将滤波降噪处理后加速度数据划分为M个长度为N的连续序列，M与N满足以下关系：其中，Lacc为同一传感器所采集加速度经过滤波降噪处理后的序列长度；

II.计算每个序列的特征值T，计算公式如下：其中，Jxi、Jyi、Jzi分别表示采样点i处x,y,z轴的急动度；

III.对于每个序列的特征值T，设置阈值Tsh，将T>Tsh的第一个序列记为运动步态开始序列，T>Tsh的最后一个序列记为运动步态结束序列。

4.如权利要求2或3所述的系统，其特征在于，对运动态加速度数据进行加窗处理，将每个窗口的数据序列 作为一个样本，采样点序号sw＝1+(w‑1)×S，窗口序号w＝{1,…,m}，S为步长，m为划分窗口总数量，若窗口内正常步态所占比例大于0.5，则样本标签为正常步态，否则，样本标签为冻结步态。

5.如权利要求1至3任一项所述的系统，其特征在于，步骤S1中，构建样本集时，采用SMOTE过采样算法增加冻结步态样本的数量，保证正常步态样本数与冻结步态样本数之比为2:1。

6.如权利要求1至3任一项所述的系统，其特征在于，样本加速度的运动分量计算过程如下：

(1)采用4阶巴特沃斯高通滤波器分别对降噪后每个维度的加速度滤波，得到高频分量{ahx,ahy,ahz}，截止频率为0.5Hz；

(2)采用4阶巴特沃斯低通滤波器分别对降噪后每个维度的加速度滤波，得到低频分量{alx,aly,alz}，截止频率为0.5Hz；

(3)分别计算高频分量的欧几里得范数HFEN和低频分量的欧几里得范数LFEN(4)按照公式MAcc＝HFEN+(LFEN‑1)计算运动分量。

7.如权利要求1至3任一项所述的系统，其特征在于，所述时域特征包括：均值、标准差、窗口内最大值、窗口内最小值、窗口内最大值与最小值的差值、窗口内超过均值点的个数、第三四分位数与第一四分位数的差距、窗口内数据平方的均值、XY两轴之间的相关性、XZ两轴之间的相关性、YZ两轴之间的相关性和信号幅值面积；所述频域特征包括：直流分量、功率谱密度的幅值统计特征、功率谱密度的形状统计特征和冻结指数FI。

8.如权利要求1至3任一项所述的系统，其特征在于，基于相关系数的特征选择步骤为：(1)计算低维新步态特征集各特征间的皮尔逊相关系数，获得相关性矩阵；

其中，r为特征 与 间皮尔逊相关系数，特征 与 对应样本向量分别为(2)设置相关性选择阈值k，k∈[0,1]；

(3)计算各特征的相关性总和，即对相关性矩阵按列求和；

(4)筛选出相关性矩阵中取值大于k的特征对，删除其中相关性总和较大的特征量；

(5)剩余特征组成新的特征集。

9.如权利要求1至3任一项所述的系统，其特征在于，基于最大信息系数法的特征选择步骤为：

l

(1)计算所有特征X 与步态类别Y之间的MIC值，选择MIC最大值对应的特征为特征子集的第一个特征；

(2)选择J最大值对应的特征加入特征子集；

l F

其中，X为候选特征，X为已选择的特征集；

(3)重复步骤(2)直至所选特征个数达到预设值。

说明书

一种基于分阶段特征提取的冻结步态检测系统

技术领域

[0001] 本发明属于机器学习领域，更具体地，涉及一种基于分阶段特征提取的冻结步态检测系统。

背景技术

[0002] 帕金森病(Parkinson’sdisease，PD)是一种常见的神经系统变性疾病，目前我国PD患者已高达290万，并以约每年10万新发患者的速度持续增长。随着人口老龄化比率不断
升高，预计到2030年，我国的PD患者将达到500万。冻结步态(Freezing Of Gait，FoG)是中
晚期PD很常见的致残性症状，严重影响病人的活动能力。FoG事件的早期检测作为干预措施
实施的基础，能帮助发病患者减少跌倒风险，恢复步行及正常活动；作为后续病情评估的依
据可提供相关症状信息，对冻结步态的研究与治疗有着重要的指导作用。

[0003] 现有技术中关于帕金森患者冻结步态的检测方法主要大部分是直接对预处理后的信号进行特征提取，然后将特征集用于分类器的训练，存在特征不明显、鲁棒性低、泛化
能力不强等问题。

发明内容

[0004] 针对现有技术的缺陷和改进需求，本发明提供了一种基于分阶段特征提取的冻结步态检测系统，其目的在于通过提取加速度信号中对运动状态有决定性作用的运动分量及
表征FoG的冻结带，并对运动信号进行合成与分解，以充分发挥原始数据的潜在特征，提高
检测效率和精度，增强算法鲁棒性和泛化能力。

[0005] 为实现上述目的，按照本发明的第一方面，提供了一种基于分阶段特征提取的冻结步态检测系统，包括：计算机可读存储介质和处理器；

[0006] 所述计算机可读存储介质用于存储可执行指令；

[0007] 所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行如下基于分阶段特征提取的冻结步态检测方法，该方法包括以下步骤：

[0008] S1.基于用户行走过程中采集到的原始加速度数据，构建有标签的样本集，其中，样本为加窗处理后的加速度数据序列，标签表示样本属于正常步态还是冻结步态；

[0009] S2.对每个样本进行分阶段特征提取：将样本加速度分解为运动分量、重力分量和冻结带；基于样本加速度计算第一急动度；基于运动分量计算第二急动度；基于冻结带加速
度计算第三急动度；将样本加速度、第一急动度、第二急动度和第三急动度的三轴数据分别
进行合成，得到合成加速度、第一合成急动度、第二合成急动度和第三合成急动度；分别提
取合成加速度、第一合成急动度、第二合成急动度和第三合成急动度的时域特征和频域特
征，得到步态特征集；

[0010] S3.使用主成分分析法对步态特征集进行特征变换，得到代表原始步态特征集的低维新步态特征集，采用基于相关系数或者最大信息系数法对低维新步态特征集进行特征
选择，得到最优步态特征子集；

[0011] S4.使用最优步态特征子集训练基于机器学习的冻结步态检测模型，训练过程中，冻结步态检测模型接收样本进行学习后对样本标签做出预测，将预测结果与实际标签进行
比较后修正冻结步态检测模型；

[0012] S5.提取待测样本的分阶段特征，输入至训练好的冻结步态检测模型，得到冻结步态检测结果。

[0013] 优选地，步骤S1中，构建样本集之前，对传感器获取的原始数据进行数据清洗、滤波降噪和动静态分离；

[0014] 所述滤波降噪，首先使用巴特沃斯低通滤波消除数据清洗处理后信号中的尖峰噪声，再使用滑动平均滤波消除随机噪声；

[0015] 所述动静态分离，首先计算滤波降噪处理后信号的急动度，再根据急动度的大小，剔除单次试验前后的非运动态加速度数据，得到运动态加速度数据。

[0016] 优选地，所述根据急动度的大小，剔除单次试验前后的非运动态加速度数据，得到运动态加速度数据，具体包括以下步骤：

[0017] I.将滤波降噪处理后加速度数据划分为M个长度为N的连续序列，M与N满足以下关系： 其中，Lacc为同一传感器所采集加速度经过滤波降噪处理后的序列长度；

[0018] II.计算每个序列的特征值T，计算公式如下：

[0019]

[0020] 其中，Jxi、Jyi、Jzi分别表示采样点i处x,y,z轴的急动度；

[0021] III.对于每个序列的特征值T，设置阈值Tsh，将T>Tsh的第一个序列记为运动步态开始序列，T>Tsh的最后一个序列记为运动步态结束序列。

[0022] 优选地，对运动态加速度数据进行加窗处理，将每个窗口的数据序列作为一个样本，采样点序号Sw＝1+(w‑
1)×S，窗口序号w＝{1,…,m}，S为步长，m为划分窗口总数量，若窗口内正常步态所占比例
大于0.5，则样本标签为正常步态，否则，样本标签为冻结步态。

[0023] 优选地，步骤S1中，构建样本集时，采用SMOTE过采样算法增加冻结步态样本的数量，保证正常步态样本数与冻结步态样本数之比为2:1。

[0024] 优选地，样本加速度的运动分量计算过程如下：

[0025] (1)采用4阶巴特沃斯高通滤波器分别对降噪后每个维度的加速度滤波，得到高频分量{ahx，ahy，ahz}，截止频率为0.5Hz；

[0026] (2)采用4阶巴特沃斯低通滤波器分别对降噪后每个维度的加速度滤波，得到低频分量{alx，aly，alz}，截止频率为0.5Hz；

[0027] (3)分别计算高频分量的欧几里得范数HFEN和低频分量的欧几里得范数LFEN

[0028]

[0029]

[0030] (4)按照公式MAcc＝HFEN+(LFEN‑1)计算运动分量。

[0031] 优选地，所述时域特征包括：均值、标准差、窗口内最大值、窗口内最小值、窗口内最大值与最小值的差值、窗口内超过均值点的个数、第三四分位数与第一四分位数的差距、
窗口内数据平方的均值、XY两轴之间的相关性、XZ两轴之间的相关性、YZ两轴之间的相关性
和信号幅值面积；所述频域特征包括：直流分量、功率谱密度的幅值统计特征、功率谱密度
的形状统计特征和冻结指数FI。

[0032] 优选地，基于相关系数的特征选择步骤为：

[0033] (1)计算低维新步态特征集各特征间的皮尔逊相关系数，获得相关性矩阵；

[0034]

[0035] 其中，r为特征 与 间皮尔逊相关系数，特征 与 对应样本向量分别为

[0036] (2)设置相关性选择阈值k，k∈[0，1]；

[0037] (3)计算各特征的相关性总和，即对相关性矩阵按列求和；

[0038] (4)筛选出相关性矩阵中取值大于k的特征对，删除其中相关性总和较大的特征量；

[0039] (5)剩余特征组成新的特征集。

[0040] 优选地，基于最大信息系数法的特征选择步骤为：

[0041] (1)计算所有特征Xl与步态类别Y之间的MIC值，选择MIC最大值对应的特征为特征子集的第一个特征；

[0042] (2)选择J最大值对应的特征加入特征子集；

[0043]

[0044] 其中，Xl为候选特征，XF为已选择的特征集；

[0045] (3)重复步骤(2)直至所选特征个数达到预设值。

[0046] 总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：

[0047] (1)针对现有基于机器学习的FoG检测研究通常直接从加速度信号中提取时频域特征用于分类器训练，这种方法没有挖掘加速度信号特征及FoG特性，本发明提出种分阶段
特征提取，提取加速度信号中对运动状态有决定性作用的运动分量及表征FoG的冻结带，并
对运动信号进行合成与分解，以充分发挥原始数据的潜在特征，并进一步设计了二十种时
频域特征用于充分表征FoG。

[0048] (2)针对过大的特征维度或计算步骤十分复杂的特征可能会导致无法接受的延迟问题，本发明将一种特征变换和两种特征选择方法用于从较大维度特征中选择最佳特征子
集，并对相关系数法和最大信息系数法两种特征选择方法进行改进，将改进后的特征选择
算法及主成分分析法用于从较大维度特征中选择最佳特征子集，从而降低计算压力。

[0049] (3)本发明将FoG检测问题设定为基于加速度信号的有监督的二分类学习问题，需要构建有标签的原始加速度数据集，通过对传感器采集的信号进行了简单的处理，包括时
间戳对齐、缺失值补齐等数据清洗过、滤波降噪过程和动静态分离过程，在此基础上进行通
过划分时间窗和正负样本均衡构建原始样本集，从而进一步提高步态检测精度和速度。

附图说明

[0050] 图1为本发明提供的一种基于分阶段特征提取的冻结步态检测方法流程图。

具体实施方式

[0051] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并
不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要
彼此之间未构成冲突就可以相互组合。

[0052] 如图1所示，本发明提供一种基于分阶段特征提取的冻结步态检测方法，该方法包括以下步骤：

[0053] 步骤S1.基于用户行走过程中采集到的原始加速度数据，构建有标签的样本集，其中，样本为加窗处理后的加速度数据序列，标签表示样本属于正常步态还是冻结步态。

[0054] 优选地，步骤S1中，将7个三轴加速度传感器分别固定于用户腰部、左右大腿膝盖上方、左右小腿脚踝上方和左右脚鞋子侧外面，用于采集用户行走过程中的原始加速度数
据。

[0055] 优选地，步骤S1中，构建样本集之前，对传感器获取的原始数据进行数据清洗、滤波降噪和动静态分离，所述数据清洗包括：

[0056] (1)时间戳对齐：将最后与数据接收装置建立连接的传感器采集数据的起始时间作为整体起始时间，删除其他传感器在整体起始时间之前的数据。

[0057] (2)缺失值补齐：采用邻近点均值法进行加速度数据缺失值的填补。

[0058] (3)异常值处理：采用基于距离的离群点检测方法检测离群数据，对检测到的离群数据采用热卡填充进行重构。

[0059] 所述滤波降噪，首先使用巴特沃斯低通滤波消除数据清洗处理后信号中的尖峰噪声，再使用滑动平均滤波消除随机噪声。

[0060] 巴特沃斯滤波适用于处理尖峰噪声。由于99％人类运动步态频率低于20Hz，本实施例采用三阶巴特沃斯低通滤波器滤除20Hz以上高频部分。

[0061]

[0062] 其中，n为滤波器阶数，ωc为截止频率，ωp为通频带边缘频率， 为通频带边缘的数值。

[0063] 滑动平均滤波平滑度高，具有中和随机噪声的作用。其原理为将小段连续序列视为接近平稳，对该序列作局部平均，以减小随机误差造成的起伏。取固定队列长度为N，第t
个序列内动态采集数据实际值为{xt‑(N‑1)，xt‑(N‑2)，…，xt}根据先进先出原则，每次将新数据
放入队尾，并扔掉原来队首的数据，对队列中的N个数据计算算数平均值，得到下一期的预
测值 但此种算法会丢失t时刻后的数据，因而在此基础上进行了滑动
平均滤波算法的改进，取预测时刻前后各M个样本(即序列长度为2M+1)，此时第t个序列内
动态采集数据实际值为{xt‑M，…，xt‑1，xt，xt+1，…，xt+M}根，t时刻预测值

[0064] 所述动静态分离，首先计算滤波降噪处理后信号的急动度，再根据急动度的大小，剔除单次试验前后的非运动态加速度数据，得到运动态加速度数据。

[0065] 患者运动时加速度值发生较大突变，而静止时加速度值的变化率较小，可以通过计算加速度的变化率来分离动静态。加速度的变化率也称为急动度，根据急动度的大小，将
单次试验前后的静态数据与动态数据分离开，便于后续对动态数据进行特征提取。

[0066] 急动度反应的是加速度的变化率，根据采集到的加速度数据，可由计算其急动度，其中，t2，t1为两个连续采样点对应时刻，Acct2，
Acct1分别为t2，t1时刻的加速度值，Δt为采样间隔时间。

[0067] 优选地，所述根据急动度的大小，剔除单次试验前后的非运动态加速度数据，得到运动态加速度数据，具体包括以下步骤：

[0068] I.将滤波降噪处理后加速度数据划分为M个长度为N的连续序列，M与N满足以下关系： 其中，Lacc为同一传感器所采集加速度经过滤波降噪处理后的序列长度；

[0069] II.计算每个序列的特征值T，计算公式如下：

[0070]

[0071] 其中，Jxi、Jyi、Jzi分别表示采样点i处x，y，z轴的急动度；

[0072] III.对于每个序列的特征值T，设置阈值Tsh，将T＞Tsh的第一个序列记为运动步态开始序列，T＞Tsh的最后一个序列记为运动步态结束序列。

[0073] 优选地，对运动态加速度数据进行加窗处理，将每个窗口的数据序列作为一个样本，采样点序号Sw＝1+(w‑
1)×S，窗口序号w＝{1，…，m}，S为步长，m为划分窗口总数量，若窗口内正常步态所占比例
大于0.5，则样本标签为正常步态，否则，样本标签为冻结步态。

[0074] 窗口长度N的选择没有限制，由于输入信号中采样点的数量将决定输出频率窗口的分辨率，N越大，对计算涉及离散傅里叶变换的频域特征越有利。但长窗口会降低时间分
辨率，且在窗口内无法检测短事件，而FoG持续事件往往较短。另外，窗口内数据量越大，处
理时间越长，可能会在数据采集和分类之间引起不必要的延迟，从而影响检测效果。

[0075] 优选地，步骤S1中，构建样本集时，采用SMOTE过采样算法增加冻结步态样本的数量，保证正常步态样本数与冻结步态样本数之比为2：1。

[0076] 划分滑窗后，存在正常步态样本与FoG样本比例不均衡的现象，这将导致分类算法过多的关注正常步态，而使FoG样本的分类性能下降。为了保证数据集的无偏性，本发明采
用SMOTE过采样算法增加FoG样本的数量来平衡数据集。使用SMOTE算法将正常步态样本数
与FoG样本数之比填充至2∶1，正负样本不均衡问题得到了很好的解决。

[0077] 步骤S2.对每个样本进行分阶段特征提取：将样本加速度分解为运动分量、重力分量和冻结带；基于样本加速度计算第一急动度；基于运动分量计算第二急动度；基于冻结带
加速度计算第三急动度；将样本加速度、第一急动度、第二急动度和第三急动度的三轴数据
分别进行合成，得到合成加速度、第一合成急动度、第二合成急动度和第三合成急动度；分
别提取合成加速度、第一合成急动度、第二合成急动度和第三合成急动度的时域特征和频
域特征，得到步态特征集。

[0078] 本发明提出一种分阶段的特征提取算法，提取加速度信号中对运动状态有决定性作用的运动分量及表征FoG的冻结带，并对运动信号进行合成与分解，以充分发挥原始数据
的潜在特征。

[0079] 加速度的运动分量是反应受试者运动状态的关键，本发明提出一项用于度量运动加速度分量的指标。优选地，运动加速度的运动分量计算过程如下：

[0080] (1)采用4阶巴特沃斯高通滤波器分别对降噪后每个维度的加速度滤波，得到高频分量{ahx，ahy，ahz}，截止频率ωn＝0.5Hz；

[0081] 由于与大多数人体日常运动相关的加速度频率大于0.5Hz，将滤波器的截止频率设置为0.5Hz。

[0082] (2)采用4阶巴特沃斯低通滤波器分别对降噪后每个维度的加速度滤波，得到低频分量{alx，aly，alz}，截止频率ωn＝0.5Hz；

[0083] (3)分别计算高频分量的欧几里得范数HFEN和低频分量的欧几里得范数LFEN

[0084]

[0085]

[0086] (4)按照公式MAcc＝HFEN+(LFEN‑1)计算运动分量。

[0087] 如果没有旋转运动，则低频分量的欧几里得范数(LFEN)等于重力的大小(1g)，而旋转运动过程中，由于分离不完善，LFEN可能不为1g，当运动感加速度(离心加速度)产生低
于截止频率的低频分量(荡秋千时的向心力)时，LFEN＞1g，当部分重力分量转移至高频分
量中(垂直平面上的旋转运动)时，LFEN＜1g，因而将低频分量LFEN与1g的差值添加到HFEN
中。

[0088] 冻结步态会在加速度中产生3‑8Hz的谐波，故在提取运动加速度分量后，采用巴特沃斯带通滤波器分离出3‑8Hz冻结带加速度。

[0089] 考虑到加速度计采集xyz三轴数据，分别表示三个方向的加速度，而在FoG检测过程中，没有需要特定单轴来辨别方向的动作，故将三轴加速度(急动度)合成为一个加速度
(急动度)值，称为合成加速度(急动度)，以合成加速度(急动度)为初始样本进行特征提取
和分类，能在保证精度的同时，减少计算的复杂性。根据
计算合成加速度与合成急动度ai，axi，ayi，azi分别表示
第i个采样点处x，y，z轴的加速度或急动度，其中，i∈{1，2，…，n}，n为采样点个数。

[0090] 优选地，所述时域特征包括：均值、标准差、窗口内最大值、窗口内最小值、窗口内最大值与最小值的差值、窗口内超过均值点的个数、第三四分位数与第一四分位数的差距、
窗口内数据平方的均值、XY两轴之间的相关性、XZ两轴之间的相关性、YZ两轴之间的相关性
和信号幅值面积；所述频域特征包括：直流分量、功率谱密度的幅值统计特征、功率谱密度
的形状统计特征和冻结指数FI。

[0091] 本实施例选取了如表1所示的10种时域特征和如表2所示的10种频域特征，这些特征旨在表现FoG与正常步态的不同特点。对于时域特征，均值、方差、标准差、最大值、最小
值、过零点个数、四分位差、范围等用于表征运动量及统计力矩，信号幅值面积反应行走速
度，信号熵可以体现信息的复杂度且可以较好地衡量非线性信号，此外，相关性用于表征各
个运动轴之间的相关性，需要用到各个维度的加速度数据。频域特征用来发现信号中的周
期性信息，FoG和正常步态都是典型的周期性运动，可以很好的被频域特征表征。频域信号
通过对时域加速度信号进行快速傅里叶变换后得到。频域特征主要包括直流分量和功率谱
密度，对功率谱密度进一步提取了幅度统计特征和形状统计特征。此外，还计算了冻结指数
FI，其定义为加速度中0.5‑3Hz的频率分量，冻结频带定义为3‑8Hz的频率分量，将时刻t的
冻结指数(freezingindex,FI)定义为以时间t为中心的6s数据窗口中冻结频带功率谱下面
积的平方除以运动频带功率谱下面积的平方。

[0092] 表1

[0093]

[0094]

[0095] 表2

[0096]

[0097]

[0098] 步骤S3.使用主成分分析法对步态特征集进行特征变换，得到代表原始步态特征集的低维新步态特征集，采用基于相关系数或者最大信息系数法对低维新步态特征集进行
特征选择，得到最优步态特征子集。

[0099] 经过分阶段提取步态特征后，共获取了高维运动特征，而典型的机器学习算法无法有效的处理如此大量的输入特征，因此需要降低特征维度。本发明选用一种特征变换和
两种特征选择方法进行FoG特征降维，其中，特征变换方法为主成分分析法，考虑到FoG检测
对算法实时性的要求，且经过分阶段提取后的特征维度较高，采用过滤法进行特征选择。
FoG特征均为时间序列下的连续特征，故本发明选择适用于连续特征分类的基于相关系数
的特征选择和最大信息系数法，并分别对两种方法进行FoG适应性改进。

[0100] 优选地，基于相关系数的特征选择步骤为：

[0101] (1)计算低维新步态特征集各特征间的皮尔逊相关系数，获得相关性矩阵；

[0102]

[0103] 其中，r为特征 与 间皮尔逊相关系数，特征 与 对应样本向量分别为

[0104] (2)设置相关性选择阈值k，k∈[0，1]；

[0105] (3)计算各特征的相关性总和，即对相关性矩阵按列求和；

[0106] (4)筛选出相关性矩阵中取值大于k的特征对，删除其中相关性总和较大的特征量；

[0107] (5)剩余特征组成新的特征集。

[0108] 本实施例中相关性选择阈值k＝0.8。

[0109] 优选地，基于最大信息系数法的特征选择步骤为：

[0110] (1)计算所有特征Xl与步态类别Y之间的MIC值，选择MIC最大值对应的特征为特征子集的第一个特征；

[0111] 将特征之间的归一化互信息最大的网格分辨率作为MIC的度量值，不同特征之间MIC值越大，说明这两个特征相关性越高。

[0112] (2)选择J最大值对应的特征加入特征子集；

[0113]

[0114] 其中，Xl为候选特征，XF为已选择的特征集；

[0115] (3)重复步骤(2)直至所选特征个数达到预设值。

[0116] 本实施例从高维特征中选出100个最有效特征构建最优步态特征子集。

[0117] 步骤S4.使用最优步态特征子集训练基于机器学习的冻结步态检测模型，训练过程中，冻结步态检测模型接收样本进行学习后对样本标签做出预测，将预测结果与实际标
签进行比较后修正冻结步态检测模型。

[0118] 为实现FoG的高效精确检测，本发明选用LigthGBM、支持向量机或者随机森林三种分类器进行正常步态与FoG的划分，模型训练过程中采用十折交叉验证法对超参数进行选
择和评估。通过对模型测试结果的分析，评估不同窗口大小、特征选择方法和分类算法对模
型效果的影响。

[0119] 步骤S5.提取待测样本的分阶段特征，输入至训练好的冻结步态检测模型，得到冻结步态检测结果。

[0120] 本发明采用十折交叉验证法对各分类器的超参数进行了测试。表3列出了本实施例各分类器用于十折交叉验证评估的超参数。

[0121] 表3

[0122]

[0123] 经实验验证，窗口大小为256、使用相关系数法进行特征选择、LightGBM为分类器时，获得最佳分类效果，其精确率为94.66％，召回率为94.66％，准确率为94.66％、FI指数
为94.66％、AUC为98.48％，精确率与召回率有较好的平衡。

[0124] 本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含
在本发明的保护范围之内。