基于变分模态分解的帕金森患者冻结步态识别研究.pdfVIP

摘要

基于变分模态分解的帕金森患者冻结步态识别研究

冻结步态是帕金森患者最常见也是最危险的运动障碍之一。作为其医疗评估、干

预和非药物治疗的基础，冻结步态识别已经越来越凸显其研究意义和实用价值。本文

围绕高精度和高实时性的目标，从肢体加速度信号处理、特征提取、分类器设计和算法

优化等方面着手，展开了冻结步态识别方法研究。

为提高识别方法在解析多任务场景中不同帕金森患者肢体加速度信号过程中的广

泛适用性，进而提高全局识别精度，本文使用变分模态分解（VariationalModel

Decomposition，VMD）对其进行自适应解析。本文首先论述了VMD原理和推导过程，

随后使用平均瞬时频率法确定冻结步态肢体加速度信号的分解层数并最终完成了信号

的分解，且提出使用VMD自适应分解结果代替既有方法中普遍关注的冻结步态肢体

加速度信号人为划分的固定频带，用以进行冻结步态甄别。

为定量描述帕金森患者肢体加速度信号的性质以进行冻结步态识别，在完成其自

适应分解的基础上本文进行了针对冻结步态的特征提取。在特征提取阶段，本文从能

量特性和时域特性的角度，设计了一组基于VMD分解结果的66维特征，随后围绕传

感器安置部位选择和时间窗长度划分等问题进行初步的识别实验，进而确定参量完成

特征提取。

本文后续以更高识别精度、更快识别速度为目标，进行了识别算法的整体设计和

优化。首先基于分类回归树（ClassificationandRegressionTree，CART）对前述66维

特征进行重要性排序并对特征集进行了降维优化。随后针对冻结步态样本数量不平衡

和单一分类器性能有限的情况，本文进行了数据采样-集成分类器组合方法的设计和实

验，实验结果表明基于RUSBoost和SMOTE-Adaboost两种组合框架的识别算法能更

加有效地对冻结步态进行识别。针对冻结步态识别问题中常见的误判率高的问题，本

文设计了相应的优化目标，从调整算法超参数的角度，使用贝叶斯优化对识别算法中

的基分类器CART模型最大分裂数和集成分类器的基分类器数进行超参数寻优，经优化

后的识别算法结合前文描述的基于VMD分解结果提取出的最优特征集能更好的胜任

冻结步态分类识别的任务，最终获得了准确率91.9%，敏感度92.3%，特异度91.5%的

冻结步态识别效果。

关键词：

冻结步态，变分模态分解，分类回归树，数据采样，Adaboost，贝叶斯优化

Abstract

AStudyofRecognizingFreezingofGaitonPatientsofParkinsons

DiseaseBasedontheVariationalModeDecomposition

Freezingofgaitisoneofthemostcommonyetalsothemostdangerousdyskinesiaamong

thepatientsofParkinson’sdisease.Recognitiononfreezingofgait,thefoundationformedical

evaluation,intervention,andnon-medicinetreatment,hasincreasingvaluebothofresearch

andpracticalvalue.Centeredaroundtheobjectivesofhighprecisionandreal-timeefficiency,

thepaperstartsbylookingataspectssuchassignalprocessingonlimbacceleration,feature

extractionandclassifierdesign,andalgorithmoptimization,andthenexpandsonthestudyof

recognizingfreezingofgaitonpatientswithParkin