基于Kinect的帕金森病步态不对称性识别方法
基于Kinect的帕金森病步态不对称性识别方法
基于Kinect的帕金森病步态不对称性识别方法张幼安;侯振杰;坎标;姚恩;张家玮【摘要】目的开发一种基于深度图像的非接触式帕金森病步态不对称性识别方法,以辅助医疗诊断和评估,解决穿戴型传感设备费用高、影响正常生活且检查流程复杂的问题.方法 2016年7月至8月,对帕金森病患者8例和健康人10例,采用Kinect V2.0采集行走6 m的运动数据;对左右脚参数滤波处理后分别聚类,使用相似度矩阵算法分别计算健康人和帕金森病患者相似度值;使用隐马尔科夫模型验证该方法的识别效果.结果所有患者左右脚参数聚类序列相似度小于健康人;从患者中提取的14条数据,成功识别12条(85.71％);从健康人中提取的46条数据,成功区别35条(76.09％).结论基于左右脚位移过程中步态参数聚类结果不对称性的非接触式识别方法,对于帕金森病患者有一定识别效果.【期刊名称】《中国康复理论与实践》【年(卷),期】2018(024)007【总页数】7页(P795-801)【关键词】帕金森病;步态对称性;Kinect;字符串相似度矩阵算法;隐马尔可夫模型【作者】张幼安;侯振杰;坎标;姚恩;张家玮【作者单位】常州大学华罗庚学院,江苏常州市213164;常州大学信息数理学院,江苏常州市213164;常州大学机械工程学院,江苏常州市213164;常州大学华罗庚学院,江苏常州市213164;常州大学华罗庚学院,江苏常州市213164【正文语种】中文【中图分类】R742.5帕金森病(Parkinson's disease,PD)是一种特征性运动障碍，临床存在多种表现，如慌张步态、冻结步态、静止性震颤、肌僵直等。
作为老年人多发病，国内外学者做了很多努力预防或治疗此病及其并发症[1-9]。
Gray等[10]研究显示，帕金森病患者躯体运动功能下降，尤其是步态障碍与高死亡风险相关。
临床对帕金森病患者病情的评估主要采用统一帕金森病分级量表(Unified Parkinson's Disease Rating Scale,UPDRS)，但该方法参数较多，较为繁琐[11-13]。
基于可穿戴式的帕金森病人步态功能评价系统
变换成高频交流电,高频交流电送到线圈进行耦合,接收端输出高 频电流,后再经全桥整流电路变成直流电为电池供电。(如图3)
1.3.2 本系统无线充电模块解决方案 本系统采用XKT-510以及T3168芯片为主要芯片进行无线充 电功能的实现,XKT-510采用电磁能量转换原理并配合接收部分做 能量转换及电路的实时监控;负责各项电池的快速充电智能控制, 且只需少量外围元件即可实现。 经测试,为了有效地输出可靠的充电电压,模块必须提供合适 的收发端间距以及元器件参数。在12V电源供电下,接收端和发射端 的间距在1cm左右时,能够有效输出4.2V锂电池正常充电电压,从而 实现电池的无线充电。
生物技术 世界
生命科学与实验研究
基于可穿戴式的帕金森病人步态功能评价系统
李思雨 孙炜航 顾晓卉 杜逸昊 (东南大学生物科学与医学工程学院 江苏南京 210096)
摘要: 帕金森病是严重危害人类健康和生命安全的常见的难治性疾病,因此帕金森病的预防与治疗已是当务之急。本文设计了一套基于穿戴式
的多节点传感网来评价帕金森病人的运动功能。采用无线通信技术,使用三轴加速度传感器采集帕金森患者完成实验范式动作时的加速度及角速度
LI Si-yu, SUN Wei-hang, GU Xiao-hui, DU Yi-hao School of Biological Science and Medical Engineering, Southeast University, Nanjing Jiangsu 210096,China
1 运动数据采集系统的硬件设计
由于PD患者的运动功能症状出现在全身不同部位,为了全面 评价患者的整体运动功能,需要采集不同部位的运动信息。加速度 计能准确反映运动状态,广泛应用于步态分析,运动状态识别等领 域。本研究提出基于加速度计的多终端人体运动信号采集系统,用 于实现PD病人运动功能的量化评本电脑,与各节点通过无线通信模块进行通讯。上位机发 出控制指令,传感节点根据指令进行数据采集,数据传输等。传感器 节点分别佩戴在被测试者的上肢,下肢和腰部,采集被测试者运动 中的加速度和角加速度信号。每个节点包括传感器,处理器,Flash 存储器,无线传输,电源稳压芯片及无线充电模块。
基于人工智能的帕金森病步态障碍分析系统的研究与应用
基于人工智能的帕金森病步态障碍分析系统的研究与应用一、引言帕金森病是一种常见的神经系统疾病，其主要症状之一是步态障碍。
传统的步态分析方法通常需要专业医生进行观察和评估，不仅耗费时间且存在主观性较强的问题。
而基于的帕金森病步态障碍分析系统可以通过大数据和智能算法快速准确地分析患者的步态，为医生提供科学的诊断依据。
本课题将对基于的帕金森病步态障碍分析系统进行深入研究与应用，并针对现状进行分析、存在问题进行探讨，最后提出相应的对策和建议。
二、现状分析1. 帕金森病步态障碍分析方法目前，传统的帕金森病步态分析方法主要依靠医生的观察和评估，通过观察患者的步态特征来判断是否存在步态障碍。
这种方法存在以下几个问题：一是主观性较强，不同的医生可能会得出不同的结论；二是耗时，需要大量的观察和记录工作；三是对医生的技术水平和经验要求较高。
2. 基于的步态分析技术随着技术的发展，基于机器学习和深度学习的步态分析技术逐渐应用于帕金森病的诊断和治疗。
这些技术可以通过收集大量的步态数据，训练智能算法模型，从而实现对帕金森病步态特征的自动化识别和分析。
目前，已有一些研究将这些技术应用于临床实践中，取得了一定的成果。
三、存在问题1. 数据采集与隐私保护问题基于的步态分析系统需要大量的步态数据进行模型训练，但目前数据采集工作存在一些问题。
一方面，由于步态数据的采集需要特定的设备和环境，不具有足够的普及性；另一方面，患者的个人隐私可能会受到侵犯。
2. 精度与可靠性问题虽然基于的步态分析技术在帕金森病的诊断中取得了一定的成果，但其精度和可靠性仍有待提高。
一方面，智能算法模型需要足够的数据进行训练，对于少数样本数量较少的特殊情况，模型的效果可能会下降；另一方面，模型的泛化能力有限，可能无法适应不同的患者和不同的环境。
四、对策建议1. 数据采集与隐私保护为了解决数据采集与隐私保护问题，可以采取以下对策：一是开发更简便易用的步态数据采集设备，提高数据采集的普及性；二是加强对患者隐私的保护，采取数据加密和匿名化处理等措施，确保患者数据的安全性。
2022步态分析在帕金森病识别、鉴别诊断与评估中的应用(全文)
2022步态分析在帕金森病识别、鉴别诊断与评估中的应用（全文）摘要帕金森病是一种具有特征性运动症状的神经系统变性疾病，由于其疾病负担日益加重，在全球范围内都受到广泛关注。
目前其诊断、鉴别诊断、病情及疗效评估等较多依赖医务人员的临床经验及患者方的主观感受，缺乏客观定量的评判标准。
步态分析通过采集步行周期中的时间-空间参数，能将步态异常量化，为帕金森病的早期识别、病情进展的准确发现、治疗方案的合理选择等提供了新的思路。
未来随着步态分析技术的进一步完善与成熟，该方法或许将成为帕金森病诊治过程中不可或缺的重要手段。
帕金森病（Parkinson′s disease）是一种常见于中老年的神经系统变性疾病，常隐匿起病，缓慢进展，其特征性病理改变为黑质多巴胺能神经元进行性退变减少和路易小体（Lewy body）形成，导致纹状体区多巴胺递质减少，进而出现静止性震颤、运动迟缓、肌强直和姿势平衡障碍等特征性运动症状，可伴有便秘、嗅觉减退、睡眠障碍、自主神经功能障碍及精神、认知障碍等非运动症状。
近年来，国内外的流行病学调查显示，帕金森病的疾病负担正在日益增加［1］。
现阶段对于帕金森病的诊断、病情评估及疗效判断主要基于患者的临床表现。
针对帕金森病患者的特征性运动症状，步态分析正在逐渐成为诊断及评估帕金森病的一项有力工具。
与依赖于临床医师的经验及判断为主的传统诊断方式相比，步态分析可以提供更加客观的运动学数据。
常用的步态分析方法可分为两类：基于视觉的方法和基于传感器的方法［2］。
无论采用何种方法，步态分析均围绕步行周期（gait cycle）展开。
步行周期分为站立相（stance phase）和迈步相（swing phase）两个阶段，站立相可进一步分解为5个时期：初接触期（initial contact）、负荷反应期（loading response）、站立中期（midstance）、站立末期（terminal stance）、迈步前期（preswing），其中前2个时期体现重量接受能力，后3个时期体现单肢支撑能力；迈步相可进一步分解为3个时期：迈步初期（initial swing）、迈步中期（mid-swing）、迈步末期（terminal swing），迈步相反映肢体推进能力。
帕金森病患者步态测量与定量分析
帕金森病患者步态测量与定量分析文龙;钱晋武;沈林勇;章亚男【期刊名称】《中国康复医学杂志》【年(卷),期】2014(029)007【摘要】目的:提取帕金森病患者步态运动学和时空参数,通过实验分析找到可以作为步态量化评估的特征参数,为医生提供康复评估的依据.方法:本文采用基于刚体的虚拟标识点方法在受试者下肢解剖学关键点设置标识点获取其步态信息.受试者被分为开机组(DBS ON),关机组(DBS OFF)和对照组(Control),运动捕捉仅记录受试者多个步态周期的虚拟标识点三维坐标.提取包括关节角度、支撑相比率、双支撑相比率、步态周期时间、步频、步长和步速等在内的步态运动学及时空参数.对三组步态特征参数进行单因素一元方差分析.结果:各组间下肢各关节角度变化范围、支撑相比率、双支撑相比率、步长和步速差异均有显著性(P＜0.01),且随受试者症状的减轻,关节角度变化范围、步长和步速有显著递增趋势(DBS OFF＜DBS ON＜Control),支撑相比率和双支撑相比率有显著递减趋势(DBS OFF＞DBS ON＞Control).结论:基于刚体的虚拟标识点可以准确测量人体步态.提取出的关节角度变化范围、支撑相比率、双支撑相比率,步长和步速均可作为帕金森病患者康复评估的依据.【总页数】5页(P637-641)【作者】文龙;钱晋武;沈林勇;章亚男【作者单位】上海大学机电工程与自动化学院,上海,200072;上海大学机电工程与自动化学院,上海,200072;上海大学机电工程与自动化学院,上海,200072;上海大学机电工程与自动化学院,上海,200072【正文语种】中文【中图分类】R742.5;R496【相关文献】1.帕金森病患者红外线数字化步态测量数据的半自动提取方法的建立 [J], 于昌琳;沈林勇;胡小吾;钱晋武;吴曦2.原发进行性冻僵步态与伴冻僵步态帕金森病患者步态时空参数和足底压力比较研究 [J], 王尚培;陈先文;徐梅;徐仿成;高晓平3.基于惯性测量单元的帕金森病患者冻结步态检测系统 [J], 马銮;李波陈;何娟娟;姚志明;杨先军;梁栋4.帕金森病患者步态障碍的定量分析 [J], 金哲如;吴森翔;金萍萍;叶华5.早期帕金森病患者步态特征定量分析 [J], 张杨;蒋森;刘娜;钱小娟;杨新玲因版权原因，仅展示原文概要，查看原文内容请购买。
一种基于KINECT骨骼数据的帕金森病症计算机辅助判别方法[发明专利]
![一种基于KINECT骨骼数据的帕金森病症计算机辅助判别方法[发明专利]](https://img.taocdn.com/s3/m/8e191b1e2bf90242a8956bec0975f46527d3a71a.png)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201710433655.1(22)申请日 2017.06.09(71)申请人 常州大学地址 213164 江苏省常州市武进区滆湖路1号(72)发明人 侯振杰 张幼安 朱亚洲 时晓婷 宋毅 石怡杰 (51)Int.Cl.G06F 19/00(2011.01)A61B 5/00(2006.01)A61B 5/11(2006.01)(54)发明名称一种基于KINECT骨骼数据的帕金森病症计算机辅助判别方法(57)摘要本发明公开了一种非接触式帕金森症检测的方法。
解决了接触式可能带来的干扰被检测者正常行走的问题，降低了硬件成本与设备的复杂性。
方法包括：通过kinect采集骨骼数据；提取中心点，对该点坐标序列作低通滤波，得到新序列；提取“行走周期人体最矮点”计算步行周期；计算运动学参数和步幅参数。
对六组参数序列进行单因素方差分析，根据结果和箱线图选择可实验数据，获得被检测者步行常态数据。
A.由新数据，计算左右脚相邻帧位移序列，计算相关系数判断对称性；若对称性符合PD即疑似PD；B.对中心点移步加速度序列，通过患者HMM模型参数计算观测序列出现的概率，判断是否为PD患者。
A和B同时满足即确诊PD。
权利要求书2页 说明书13页 附图10页CN 107330249 A 2017.11.07C N 107330249A1.一种基于kinect骨骼数据的帕金森症计算机辅助判别方法，包括以下步骤：通过kinect获取步行一次人体骨骼数据三维坐标序列；选择Mid-Center点，对数据进行低通滤波；对新序列每一点计算瞬时变化率，得变化序列，根据序列变化曲线求每个循环最低值为“行走周期内人体最矮点”和并计算周期；根据周期计算出步幅参数序列和运动学参数序列；对步幅参数序列，1)使用单因素方差分析筛选出行走常态数据。
一种基于机器学习的偏瘫步态自动识别和分析的方法[发明专利]
![一种基于机器学习的偏瘫步态自动识别和分析的方法[发明专利]](https://img.taocdn.com/s3/m/368f8382561252d381eb6e4b.png)
专利名称：一种基于机器学习的偏瘫步态自动识别和分析的方法
专利类型：发明专利
发明人：王浩伦,刘凯,黄月姑,王新雨,时二宁,朱业安
申请号：CN201910347222.3
申请日：20190428
公开号：CN110110633A
公开日：
20190809
专利内容由知识产权出版社提供
摘要：一种基于机器学习的偏瘫步态自动识别和分析的方法，包括步态特征提取、步态特征识别、特征重要性排序、贝叶斯结果分类。
具体步骤如下：（1）基于Kinect传感器捕获受试者骨骼节点的三维坐标位置；（2）通过欧氏距离算法与节段质心算法算出人体质心位置移动范围与步幅、步速等时空特征；（3）建立出由输入空间步态特征集与输出空间对应的标记的映射关系；（4）利用以信息增益为依据的模糊二元对比决策方法进行特征组合重要性排序；（5）模型性能分析。
本发明方法可明显降低医生对患者病情程度的主观判断的出错率，并为临床康复医生提供辅助数据与评估结果。
申请人：华东交通大学
地址：330031 江西省南昌市昌北经济技术开发区双港东大街808号
国籍：CN
代理机构：南昌市平凡知识产权代理事务所
代理人：姚伯川
更多信息请下载全文后查看。
基于深度卷积神经网络的帕金森步态识别
基于深度卷积神经网络的帕金森步态识别王金甲;刘青玉;陈浩【期刊名称】《中国生物医学工程学报》【年(卷),期】2017(036)004【摘要】步态冻结(FOG)是晚期帕金森病患者最常见的症状,FOG的突然发作会造成患者的行走障碍.为患者佩戴FOG检测可穿戴设备助手是一种有效可行的治疗途径,当检测到FOG发作时,可穿戴设备助手为患者提供一段有节奏的听觉信号刺激患者恢复行走.针对FOG检测,提出一种系统式的特征学习方法.该方法采用一个基于深度学习的卷积神经网络,对原始输入信号自动地进行特征学习.采用监督式学习方法利用标签信息,使学习到的特征更具识别能力.在整个网络模型中,特征学习和分类互相加强使整个网络更加稳定,更具智能化.通过DAPHNet数据集进行验证,结果表明,该方法可以自动地进行特征学习并识别出步态冻结.与以往的阈值法实验结果相比,平均正确率提高到91.43％,灵敏性提高到85.58％,特异性提高到了93.63％.该方法可以在一定程度上代替人工干预,在处理频繁出现FOG症状的帕金森患者的治疗中具有重要意义.【总页数】8页(P418-425)【作者】王金甲;刘青玉;陈浩【作者单位】燕山大学信息科学与工程学院,河北秦皇岛066004;燕山大学信息科学与工程学院,河北秦皇岛066004;燕山大学信息科学与工程学院,河北秦皇岛066004【正文语种】中文【中图分类】R318【相关文献】1.基于卷积神经网络和微动特征的人体步态识别技术 [J], 袁延鑫;孙莉;张群2.基于双层卷积神经网络的步态识别算法 [J], 王欣;唐俊;王年3.基于卷积神经网络和不完整步态周期的步态识别方法 [J], 汤荣山;葛万成4.基于卷积神经网络与注意力模型的人体步态识别 [J], 汪涛;汪泓章;夏懿;张德祥5.基于卷积神经网络的人体步态识别算法研究 [J], 陈法权;樊军因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
DOI: 10.3969/j.issn.1006-9771.201态不对称性识别方法①
age to assist medical diagnosis and assessment, to avoid the cost, impact on normal life, and complex process of high wear-out sensing equipment. Methods From July to August, 2016, eight patients with Parkinson's disease and ten healthy subjects were collected the gait parameters of walking six meters with Kinect V2.0. The parameters of left and right foot were filtered and clustered. Then similarity matrix algorithm was used to find the difference between healthy subject and patient similarity values. Finally, the recognition effect of this method was verified by Hidden Markov Model. Results The similarity of clustering sequences of left and right foot parameters was less in the patients than in the healthy individuals. There were twelve of 14 data identified in patients, and 35 of 46 in the healthy. Conclusion A non-contact identification method for the asymmetry of gait has been developed based on the parameter clustering results of left and right foot, which is some effective on identifying Parkinson's patients. Key words: Parkinson's disease; gait symmetry; Kinect; matrix algorithm for string similarity; Hidden Markov Model [中图分类号] R742.5 [文献标识码] A [文章编号] 1006-9771(2018)07-0795-07 [本文著录格式] 张幼安，侯振杰，坎标，等 . 基于 Kinect 的帕金森病步态不对称性识别方法[J]. 中国康复理论
Identification of Asymmetry Gait in Parkinson's Disease Based on Kinect ZHANG You-an1, HOU Zhen-jie2, KAN Biao3, YAO En1, ZHANG Jia-wei1 1. Changzhou University Hua Loo-keng Honors College, Changzhou, Jiangsu 213164, China; 2. Changzhou University School of Information Science and Technology, Changzhou, Jiangsu 213164, China; 3. Changzhou University College of Mechanical Engineering, Changzhou, Jiangsu 213164, China Correspondence to HOU Zhen-jie. E-mail: YAZhangwork@ Supported by National Natural Science Foundation of China (No. 61063021), Jiangsu Industry-University-Research Cooperation Program (No. BY2015027-12) and Jiangsu Key Laboratory of Internet of Things and Mobile Internet Open Project (No. JSWLW-2017-013) Abstract Objective To develop a non-contact identification method for gait asymmetry in Parkinson's disease based on depth im-
型传感设备费用高、影响正常生活且检查流程复杂的问题。 方法 2016 年 7 月至 8 月，对帕金森病患者 8 例和健康人 10 例，采用 Kinect V2.0 采集行走 6 m 的运动数据；对左
右脚参数滤波处理后分别聚类，使用相似度矩阵算法分别计算健康人和帕金森病患者相似度值；使用隐 马尔科夫模型验证该方法的识别效果。 结果 所有患者左右脚参数聚类序列相似度小于健康人；从患者中提取的 14 条数据，成功识别 12 条(85.71%)； 从健康人中提取的 46 条数据，成功区别 35 条(76.09%)。 结论 基于左右脚位移过程中步态参数聚类结果不对称性的非接触式识别方法，对于帕金森病患者有一定识别 效果。 关键词 帕金森病；步态对称性；Kinect；字符串相似度矩阵算法；隐马尔可夫模型
张幼安 1，侯振杰 2，坎标 3，姚恩 1，张家玮 1
- 795 -
·专题·
1. 常州大学华罗庚学院，江苏常州市 213164；2. 常州大学信息数理学院，江苏常州市 213164；3. 常州大学机械工程 学院，江苏常州市 213164 通讯作者：侯振杰。E-mail: YAZhangwork@ 基金项目：1. 国家自然科学基金项目(No. 61063021)；2. 江苏省产学研前瞻性联合研究项目(No. BY2015027-12)；3. 江苏省物联网移动互联技术工程重点实验室开放课题项目(No. JSWLW-2017-013) 摘要 目的 开发一种基于深度图像的非接触式帕金森病步态不对称性识别方法，以辅助医疗诊断和评估，解决穿戴