论文部分内容阅读
以步态特征时间序列信号为基础的步态分析是对人的行走情况与健康状态进行检测的重要手段,是人体步态分析与分类领域的一个研究热点。然而人的行走过程十分复杂,以单次行走的整体数据为最小研究周期来分析步态特征会导致细节的丢失,无法实现对步态信号非线性特性的深层次挖掘。这就使得传统的静态特征研究对人行走过程的表征能力有限,对步行的变化趋势、局部偶发情况及周期性变化特点等问题的处理十分乏力。本文研究采用拓扑数据分析方法对步态特征的时序信号进行处理,提出了基于步态信号拓扑印记分析的方法,对人体步态进行研究。该方法能够有效地捕捉到人在行走过程中的动态特征、表征人体步态信号的变化,很好地解决了人体行走状态的复杂性和随机性问题。研究以人体步态特征的时间序列信号为基础,结合当下对人体步态领域重点问题的分析需求,以健康人地面与跑步机上行走和神经退行性疾病步态两种典型的步态情况背景为研究对象,设计了相关分析方法和分类实验并验证了该方法的有效性。本文的研究内容主要包括以下三个方面:(1)研究了人在地面行走与跑步机上行走中的特点与差异性分析。以两种情况下的足底压力中心数据为研究对象,采用持续同调的拓扑数据分析方法得出步态特征时间序列的拓扑印记,并结合上身躯干的姿态特征详细分析了人在地面行走与跑步机上行走时的特点与差异。(2)在异常步态样本量不足的背景下,提出了一种基于拓扑印记与重要性选择相结合的病情等级分类识别的方法。以帕金森病患者的垂直地反作用力数据为研究对象,通过计算步态特征的拓扑印记实现对不同病情等级的识别以达到对疾病早期诊断的目的,完成了对帕金森病患者不同病情等级的分类识别。(3)研究了三种典型神经退行性疾病与健康人的分类识别在计算机辅助医疗领域的应用,提出了采用拓扑印记持续熵与瓦瑟斯坦距离相结合的步态小样本分类识别方法。以受试者的12个步态特征时间序列为基础,计算其拓扑特征并进行变量筛选。研究分析了主导特征因素与相关步态特点之间的联系,并在神经退行性疾病步态小样本学习任务中取得了良好的分类效果,最后以此为基础总结了拓扑数据分析的特点。综上所述,本文提出了基于步态信号拓扑印记的分析方法,对人体步态进行研究,并在地面行走、跑步机上行走与神经退行性疾病步态相关分析领域的问题中取得了良好的效果,具有较大的理论、应用与临床价值。