文摘

行走步态违规行为和异常预测指标和症状的疾病和残疾。过去,精心制作的视频(谈)系统,压力垫,或两者的混合被用于临床监测和评估步态。本文提出了一种基于人工智能的地面反作用力的综合调查(平)模式分类健康控制和步态障碍使用大规模的地面反作用力。从不同的病人使用数据集由平测量。本文包括机器学习和深度上优于模型分类健康和步态障碍患者使用地面反作用力。深上优于架构GaitRec-Net提出分类。使用各种指标的分类结果进行评估,分析了每个实验使用5倍交叉验证的方法。与机器学习分类器相比,该深度学习模型是发现更好的特征提取造成分类精度高。因此,拟议的框架提供了一个有前途的一步的方向异常步态模式的自动分类。

1。介绍

最自然的和频繁的人类特征之一是散步。然而,它是最复杂的现象之一,从分析的角度来看。大脑、神经和肌肉一起工作。物理治疗师,看骨科,神经学家长期以来研究人类运动为了评估病人的病情,康复和治疗1]步态运动时肢体运动的模式,其中包含各种信息的人类个体。步态分析历来是通过视觉主观评估完成,但是现在,这是可以做到客观和有效的新技术。的主要目的是找出问题,影响病人的步态模式(2)作为一个结果,它经常在各领域的应用,包括影响分析、运动科学、健康、和用户识别。各种传感模式,如可穿戴传感器连接到人体,如加速度计、陀螺仪、力和压力传感器,可以用来记录步态数据。Nonwearable步态识别系统通常被称为的步态识别,因为它们严重依赖于建立愿景。这些设备使用图像传感器采集步态数据从很远的距离,没有合作的参与者。在医疗环境中,步态分析和研究可以帮助诊断和监测疾病影响步态。因此,自动步态分析正变得越来越普遍。

目前,各种类型的传感器可以用来获得一个丰富的步态分类详细的信息。地板传感器是一种可以用来检测平测量或每个面积上的压力采用脚(3]。设备的使用仅限于限制区域,并提供小异常步态分类的信息。这项技术利用脚压力数据,研究了人识别各种组织,是一个不同的方法比使用一个相机。平量化是一种常见的方法,医生公正指定人体步态运动和解释和评估病人的详细性能(4]力板用于计算地面反作用力产生的身体站在或移动。负载细胞是一种电化学装置,板措施部队力量。负载细胞包括压电元素、梁载荷和应变计的细胞。传感器flex应用于板力时,导致测量的电压变化与应用力成正比。通过定向传感器在不同的方向,力的方向和数量在3 d可能决定。它可以获得信息,如力的中心,每个轴压力,和周围的时刻。

步态,典型的人类行为,可以揭示精神疾病,如抑郁症,痴呆,智力障碍,肌肉骨骼关节畸形等问题。(5)的一个重要方面用于交付和估计病人的康复和治疗是活动完成的详细评估的一部分。患者小腿损伤进行治疗来帮助他们恢复运动功能在他们的小腿。散步是pattern-repeating运动保持静态和动态平衡。典型步态序列以一只脚开始敲击地面,以同样的脚重击地面。一个步态周期可以分为立场(脚与地面接触时)和swing(腿不接触地面时),然后步态任务,比如侧,侧脚,脚接触。

近年来,一些基于人工智能算法的自动分析技术已经出版,帮助医生检测和分类某些步态模式为临床上重要的类别。卷积神经网络,神经网络(CNN),长期短期记忆(LSTM)、支持向量机(SVM),最近邻分类器和其他聚类算法中人工智能方法在这一领域。输入数据格式有很大的影响对这些方法的工作。Pataky et al。6)使用动态足底压力数据、图像处理和特征提取来实现主题识别精度高(99.6%)。他们的发现强调了主体间的压力模式的独特性,这意味着脚pressure-based识别可能有一个广泛的应用在安全与健康产业。居尔et al。7)实现了一个三维卷积神经网络架构步态识别的形式,采用综合方法步态能量图像(基)。这个简化表示捕获的形状和人类步态的运动属性。OULP CASIA-B,两个最大的公开数据集访问重要的年龄和性别差异,被用来测试网络。抛开et al。8)提出了一个基于数据从步态模型Kinect v。2传感器;这些sensor-generated骨架序列分为重复部分(步态周期)。low-limb弯曲特征然后计算每个步态周期使用Kinect定位数据。基于这些特点用于机器学习步态模型。

成为熟悉基于运动属性区分正常和病理步态传感器、一个LSTM-based架构是训练使用数据从一群人。李等人。9)提出了一个深上优于gait-type分类与不同的传感器技术,它使用一个聪明的鞋垫集群分析步态数据,包括压力传感器集群,gyrosensor集群,集群和一个加速度传感器。使用一个深卷积神经网络(DCNN),提取步态模式的特性。实验表明,发达技术识别精度大于90%为七种不同的步态类型(散步、跑步、爬楼梯、希尔下行,楼梯下行,快走,和爬山。他们使用机器学习的方法;法拉et al。10)检测从大腿步态运动学。在走路,31个健全的受试者为大腿角速度测量,大腿膝盖角度,加速度(10步)。检索的特点是用一个0.1秒的滑动窗口分割进步到加载响应后,秋千,终端,和推出。膝关节角度参数用于步态分类阶段,没有它。决策树与膝盖J-48角特性是最好的分类器,第二分类精度97.5%,最少的美(平均绝对误差)为0.014。基于深度学习评价矢状膝关节角度获得的一个相位指示器,Di Nardo et al。11)提出一个新方法为二进制步态分类阶段和步态事件的预测。神经网络是使用Horsak et al。12)单独模仿步态(例如,腿的长度差异)使用功能从小腿关节角的数据。相比之下,Manap et al。13)使用武力平台的录音foot-ground反应部队对正常和病变的步态进行分类。pressure-based传感器数据集用于行走,分类使用基于主成分分析(KPCA)和支持向量机(14]。然而,当数据预计正交轴保护大多数方差时,这种方法反映了波动不是有用的分类。因此,它是不合适的分类数据与几类或步态模式的变化。,上述研究表明需要高效的自动化方法,步态异常检测与实时有效的早期发现异常结果。

本文的主要贡献是使用人工智能技术的病人的健康和病理步态分类条件基于地面反作用力。实验结果表明,提出的CNN架构给最高的平均精度为91.62%。拟议的框架提供了一个有前途的方向步步态异常的自动分类。精度、F1得分和灵敏度性能评估指标用于评估机器学习分类器,并提出了深度学习体系GaitRec-Net。

这项研究的主要特征如下:(1)人工智能技术用于分类健康和病人的病理条件下基于地面反作用力(2)提出了深神经结构一维GaitRec-Net架构。机器学习分类器,支持向量机、资讯和朴素贝叶斯,使用5倍交叉验证用于二进制分类(步态障碍和健康的控制)。(3)一个优化层、批量标准化和辍学已经选择了建议的体系结构以减少误分类和过度拟合问题(4)该模型的性能GaitRec-Net CNN显示精度最高的91.624%相比其他机器学习分类器

本文的其余部分的结构如下。论文中使用的数据是讨论部分2。提出的方法描述部分3。实验和结果部分4,而部分5概括了论文并为未来的研究提供建议参考。

2。材料和方法

拟议的系统是针对分类的步态障碍和健康受试者pressure-based数据。

数据来自健康控制和步态障碍患者临床和组织病理学评价后。GaitRec预处理数据集,其中包含75732双边试验。之前喂数据集,数据注释等预处理,去噪,数据标准化和替换NAN值和均值。数据集分为训练和测试。5倍交叉验证应用于评估通过机器学习(SVM、资讯和朴素贝叶斯)和(GaitRec-Net)深度学习的体系结构。

该系统的原理图呈现在图1。它分为3部分自动步态障碍的分类。第一部分是数据收集和预处理,GaitRec数据集的使用适当的预处理等数据注释之后,数据去噪和数据规范化。NAN值代替,和突出的步态特征提取,基于统计的特征选择是使用提取的执行功能。然后正常化和排名程序应用于这些选择突出的步态特征,其次是分类算法。

第二个模块是关于培训和雇佣了一个 - - - - - -折交叉验证(简历)。在随机的,总样本分成大小相等的子组。其余的子集被用作训练集,只有一个子集作为模型验证的测试集。交叉验证技术然后重复次了。作为一个测试集,因为每个子集是完全利用一次传统的数量等于课程;这里,执行5倍的简历进行彻底检查机器学习分类器和提出GaitRec-Net架构。为每个折叠数据分为两个部分:培训和测试,为每个折叠分类器训练和测试。最终的分类结果计算的概率值有一个步态问题,第三模块使用机器学习分类器和提出GaitRec-Net架构。提出GaitRec-Net架构与几种传统的机器学习技术,广泛用于解决分类问题的主体间实现。剩下的部分在整个过程的深度。

3所示。数据集描述

数据被认为是在这个研究是目前医学步态数据库和一个独特的病理数据集称为GaitRec [12),它是由一位奥地利工伤康复中心(AUVA)。收集到的数据是在2007年和2018年之间,在临床实践中。理疗师聚集平数据从2085年患者步态障碍(跟骨,脚踝,膝盖和臀部)和样本161名健康( )根据每个病人的医疗诊断,包括男性和女性不同的物理特性和性别。病人有韧带断裂,关节置换手术、骨折和其他相关疾病属于步态障碍(GD)类别。测量一个或多个会话被每个病人完成。每个会话由8的录音两个连续的步骤。在这项研究中,每一个双边记录称为审判。因此,使用数据集包括75723个双边试验,如表所示1。

3.1。数据收集和预处理

步态进行了评估与2 10米通路力量板块(Kistler, 9281型b12)植入在中间。力板被排成一排,这样一个人可以走过他们将一只脚放在每一个板。受试者被要求没有一个辅助技术就走self-choose步行速度与2力10米人行道板插入中间来衡量两国天然气采收率(地面反作用力,它发生在身体的重量使徒行传地面垂直向下)。图2显示的数据收集和标记过程步态数据集。

人们走在3个不同的利率(均值和方差,m / s)。使用一个2000 Hz采样率,3的地面反作用力模拟信号(前后、垂直、中侧的和力元素)和压力(COP)的中心被转换成数字数据。在力板坐标系、警察和天然气采收率。生提要只访问downsampled 250 Hz根据中心的内部标准。防止信号的峰值和噪声信号的开始和结束,和所有样本被转移到25个N阈值,警察被计算。警察以低力计算中的错误降到最低水平,警察坐标位数据集的前后,zero-centered mean-centered坐标。处理过的信号被time-normalized 100%立场和过滤二阶低通巴特沃斯滤波器与20 Hz截止频率的噪音降到最低。振幅值的三个力组件,即前后(美联社),中侧的(毫升)和纵向(V),表示为一个的倍数体重力除以身体重力质量乘以加速度的乘积。脚的长度决定,在每个阶段,计算作为一个产品的脚的长度,用于规范化警察从每个试验波形。

注释,一位理疗师手工标注数据集根据每个病人的医疗诊断。注释标签是由两个字符串加入下划线“X_xxx,”,“”代表的解剖联合总水平骨科损伤发生。第二个字符串(“xxx”)是joint-dependent并提供一个更全面的本地化。这个研究是基于位数据的分类。板并不是特别的精确数据收集期间验证。盘子和测量设备的力,另一方面,在临床实践中定期检查和维护。使用的数据集的力量中所描述的表2。

3.2。分类算法

在本节内,四个监督算法:朴素贝叶斯、资讯,支持向量机,提出GaitRec架构,用于分类的目的,在给出的一组特征向量作为输入训练数据和产生一个推断函数,可用于验证测试数据。在朴素贝叶斯,正态分布估计为每个类计算训练数据的平均值和标准偏差,高斯分布( )被广泛用于生物力学步态数据创建概率模型。然后分配给最有可能的类数据使用一个决策规则(13]。创建一个培训数据库, ,并为其分配一个类标签, 。后,类标记为N1、N2 .....,NL, each sample will be defined by an - - - - - -维向量, ,在哪里代表了测量的特点, ,分别拟合1 d训练数据结果在朴素贝叶斯分类器的创建对象。然后,后一组新的分配方案作为分类器的测试数据。每个类测试数据集的后验概率计算;基于概率,健康和步态障碍之间的数据分类。

在一般情况下,支持向量机是一种最常用的机器学习方法用于步态分类。这是一个基于特征分类器之间最大化利润的不同的类来创建超平面边界和基于Vapnik的统计学习理论(14];他们对待学习问题作为一个二次优化问题的全局最优,没有误差表面局部最小值。在这个实验中,线性内核使用单个数据项的情节 - - - - - -维空间(数量的属性),每个属性的值是一个特定的价值坐标。它可以通过寻找区分这两个类的超平面。用于支持向量机的参数 , , ,和 。

第三个分类器是 - - - - - -最近的邻居(资讯),是一种非参数技术分类的多数票邻国。对象被列为最一般的类中 - - - - - -最近的邻居。然而,分类器是一种常用的机器学习方法,是最简单的。它决定是否分配一个新的特征空间中的一个特定类相似性度量的基础上分析点之间的距离 - - - - - -最近的邻居(资讯)。对象的距离邻国用于分类,与对象分配给最常见的类中 - - - - - -最近的邻居。每一项在一个多维特征空间由位置向量来表示。利用欧氏距离来计算训练和测试向量之间的距离。的一组参数用于资讯 , , ,和 。

3.3。提出GaitRec-Net架构

1 d CNN广泛用于特征提取和信号数据分类,因为计算机能力的进步和标记的大量数据。1 d cnn前馈网络的信息传递只采用一种方法从输入到输出。1 d CNN,输入,通常是一个一维张量,是一层一层地处理的。卷积序列分类神经网络是有利的,因为他们可以直接从原始时间序列数据,减少对领域知识的需求手动生成输入功能。模型应该学习一个嵌入层的信号数据,从理论上讲,执行类似于模型训练数据集被人为地增强。内核幻灯片整体空间的地方输入使用卷积层时的“信号”。图3代表建议的体系结构的层。

提出1 d-gaitrec-net架构中的一个输入层的维度 ,和一个输出层的维度2。经过多次试验,指标(步幅、过滤器和内核)是最优的。网络设置,这样就可以从很小,局部的步态模式的信号。中层特征是由结合这些微小的和局部的模式。更复杂的和高层特征是通过结合这些中层功能创建的。这些特点用于步态相位检测分类工作。

提出模型的过滤可变输入的“信号”通过移动一个单位一次填充。众多响应卷积地图可以通过使用多个层。相比之前的机器学习手册程序、卷积操作被认为是CNN的基础架构,特征提取是自动产生的,在整个过程中节省时间。卷积在这个模型中,有三层,2 maxpooling层,平均池1层,1层辍学,和1致密层,所表3。在这里,每一个回旋的层 内核大小和 过滤器大小是紧随其后的是一层maxpooling ReLu激活函数,捕获特性的非线性关系。输入的大小没有改变ReLu层。修正线性单元(ReLu)激活的意思和有相同的大小,代表数学方程(1))。ReLu激活函数中使用的所有层,直到最后一个。

将softmax激活函数用于致密层规范化输出的概率两个分类。将softmax函数是基于卢斯的选择公理(15)和数学表示如下方程:

使用亚当优化权重更新。卷积与ReLu层激活后,使用一个平层消除所有但一维。辍学的大小是0.5,它应用的最后一层,以减少过度拟合。最后,两个神经元的致密层描述了两种类型的人:健康、步态障碍。TensorFlow [16]和Keras [17在Python 3) api用于创建上面的架构。

3.4。Hyperparameter优化

GaitRec-Net架构使用5倍交叉验证与合适的hyperparameter调优。而培训每一个褶皱,避免过度拟合的数据使用50时代早期停止条件。hyperparameters利用培训发达GaitRec-Net架构健康和步态障碍的分类表中列出4。

各种参数如批量大小、填充、优化器,基于早期停止标准时代,损失计算实验通过一系列实验。使用二进制crossentropy一起亚当(自适应估计时刻)优化函数计算损失。

4所示。实验结果

最近Gait-Rec二元分类数据集分为训练三个机器学习分类器和一个提议CNN架构。提出GaitRec-Net架构被训练在训练数据和验证测试数据使用调整参数。训练模型可以预测是否病人步态障碍。培训是以工作站与双Intel Xeon铂8168,2.7 GHz, 24-cores, 64 GB RAM运行64位Windows 10 Pro。显卡是16 x NVIDIA®特斯拉®V100总图形内存512 GB。在Jupyter笔记本环境中,使用的编程语言是3.6.9 Python版本。

GaitRec-Net方法提出的各种机器学习和步态障碍分类分析使用5倍交叉验证基于各种性能指标:精度、准确性、回忆或敏感性,F1的分数。这些性能矩阵得到使用真阳性(TP),假阴性(FN),假阳性(FP),和真正的- (TN),也可以使用获得的混淆矩阵计算如表所示5。使GaitRec-Net训练模型更有弹性,一个详尽的分析了利用矩阵模型的性能。在方程(3)(6),矩阵指定组件模型的性能进行评估。 TP(真阳性)表示的样本与类相关的健康状况的正确分类属于它,FP(假阳性)代表相关的样品与步态障碍和错误分类属于类的健康状况。TN(真阴性)代表实际的样本与类相关的健康条件和正确分类属于步态障碍。FN(假阴性)代表的样本与类相关实际步态障碍但错误分类属于健康状态。在上述方程;公关表示精度;再保险公司表示敏感性;F1表示F1得分,嗯(调和平均数)灵敏度和精度;和Ac表示的准确性,的比例 和总数量的步态信号。

在最初的一步,各种机器学习技术和GaitRec架构被训练和测试的分类。对于一个广泛的评估分类器,数据从健康控制和步态障碍喂养几个算法使用5倍交叉验证的方法。人工智能算法性能不能完全解释数据集分割到单独的训练集和测试集。交叉验证是杰出的,它拥有所有的数据点集,导致偏差最小。数据集分成5倍交叉验证,单一的用于测试目的,和另一个四倍是用于训练目的。在五倍,没有数据样本碰撞测试集。图所示4代表5倍交叉验证的过程。

在本文中,测试数据集和训练使用该GaitRec-Net架构和各种机器学习分类器使用5倍交叉验证。数据被分为五个相等的部分,70%是为训练集,其余30%是用于测试模型的有效性。性能测试,混淆矩阵和各种性能措施如精度、F1分数,和回忆。每组的训练和测试结果(损失和准确性)评估。来确定它的价值,结果也比现有的方法。

的不同输出参数提出GaitRec-Net模型GaitRec数据集的解释表6。其他变量用于5倍交叉验证(验证准确性,验证损失、训练精度和训练损失),褶皱(时代、验证样本和训练样本)。亚当函数是用于优化、学习速率为0.001。建议的模型架构共有1002502可训练的参数。对于每一个褶皱,模型训练使用100时代和批处理大小为128。GaitRec数据集,实现了平均验证和训练精度分别为91.622%和91.624%,分别和培训损失和获得平均验证的损失是0.23186和0.24582,分别。建议系统正确分类步态信号一样健康和步态障碍,平均精度为91.624%。

对两组的训练,表5比较真实的标签为所有5倍二进制分类混淆矩阵预测(健康状况和步态障碍)。1 d CNN,更多的培训数据会导致更高的精度;因此,更准确更大的数据集是反映在混淆矩阵。进行实验,fifth-fold 99.11%样本正确分类为健康状况和74.61%样本正确分类步态障碍相比,其他折叠。

表7代表不同的性能矩阵如灵敏度、精度、和F1的分数提出深度学习架构(GaitRec-Net)用于步态信号GaitRec免费获取数据集的分类为所有5倍交叉验证,在健康的最高精度控制在5折77%,召回是33%,最高的褶皱,褶皱四个F1得分最高的是44%。步态障碍,是精度最高的93%折,3和4个;最高的召回是99%在每个褶皱;和F1得分最高的是96%折一个,四个,五个。平均每个分类器对每个折叠的准确性提出了表8。

支持向量机等机器学习分类器、朴素贝叶斯和资讯也在相同的数据配置为70%培训和剩下的30%来测试模型。5倍的简历是应用于这些分类器。不同的精度在每个折叠展示在表8。提出深度学习模型实现最高的平均精度为91.624%比其他机器学习分类器。

图5(一个)显示了图的训练和验证精度在每个折叠的5倍的简历给GaitRec数据集。实线显示训练精度和虚线显示验证精度。图5 (b)显示了图的训练精度在每个时代GaitRec-Net架构在每个5倍交叉验证。

表9显示以前的工作和提出的比较表使用pressure-based数据为二进制步态障碍的分类工作。Fricke et al。18]报道精度高91.9% CNN的37个科目。该方法实现了91.624%的测试数据的准确性。这是一个显著的性能改进,表明GaitRec-Net对步态数据网络的霸主地位。

各种机器学习技术的性能和体系结构进行了分析,提出了CNN和表现最好的模型选为最后的方法。为了避免underfitting,确保学习算法或方法与数据的吻合程度很好,实现了准确的结果。为了避免过度拟合,重采样方法被用于这项工作评估方法准确性,分析机器学习技术。最常用的重采样方法 - - - - - -折交叉验证,这是首选的方法学习算法用于测试模型未揭露的准确数据。这列车和测试 - - - - - -次模型在不同训练数据的子集,以评估模型的性能用看不见的数据。提出基于深度学习技术在5倍交叉验证成果非常准确全面的训练模型。

5。结论

在这项研究中,一个自动深度学习框架,提出了健康和步态障碍分类。拟议中的GaitRec-Net是基于维卷积神经网络架构。实验包括三个机器学习分类器和一个提出深度学习架构。该建议的体系结构的总体平均分类精度为91.624%使用5倍交叉验证。以下是三个机器学习算法,即。,支持向量机(89.998%)、朴素贝叶斯(55.244%),和资讯(91.296%)。工作表明,提出基于深度学习架构可用于构建的无创性步态分类工具在临床的设置。未来的研究将集中在扩大研究的范围包括额外的患病人群,提高分类精度和多级步态障碍的分类。

数据可用性

在这项研究中提出的数据都可以在请求从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究是由研究人员支持项目(RSP2022R498数量),沙特国王大学,利雅得,沙特阿拉伯。