基于深度学习的帕金森症步态障碍分析与研究.pdfVIP

基于深度学习的帕金森症步态障碍分析与研究.pdf

第44卷第2期北京服装学院学报(自然科学版)Vol.44No.2

2024年6月JournalofBeijingInstituteofFashionTechnology(NaturalScienceEdition)Jun.2024

試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試

DOI:10.16454/ki.issn.1001鄄0564.2024.02.013

基于深度学习的帕金森症步态障碍分析与研究

121

蔡万鹏,刘摇昊,王摇晨

(1.北京服装学院文理学院,北京100029;2.北京服装学院教务处,北京100029)

摘摇要:步行作为人类的基本活动之一,对其进行分析在临床研究中有重要意义。通过对公开帕金森症足底压力

数据集GaitinParkinson蒺sDisease进行分析,设计划分步态周期的方法,并提取步态特征参数。应用一种混合神经

网络(GRU-DNN),将门控循环单元(GRU)与深度神经网络(DNN)相结合对帕金森症病情诊断进行分类。数据分

析为临床诊断提供更多客观依据,从而辅助医生进行病情诊断。为验证方法的有效性,使用该网络对数据集中具

有病情标签的步态信息进行分类预测,结果显示:在帕金森症诊断实验中,该网络的识别准确率为98郾7%;在帕金

森症严重程度诊断实验中,该网络对于严重程度为2级的识别准确率达到100%;对于其余严重程度的识别准确率

达到98%。

关键词:深度学习;步态分析;神经网络;帕金森症

中图分类号:TP391摇摇文献标志码:A摇摇文章编号:1001-0564(2024)02-0097-07

[1][5]

摇摇人体步态是指其周期性的步行运动特征。Whittaker等提取足底面积特征,发现随年龄增长

一般来说,每个人的步态都具有其独特性,通常可以[6]

足弓会发生退行性变化。国内学者何耀广提取

用时间参数、空间参数和动力学参数来描述步态行足底多个区域的峰值压力,用于分析糖尿病患者足

[2]

为。这种对步态参数特征的分析方法称之为步底压力的异常变化。上述研究表明步态特征可以

态分析。不稳定的步态通常与背部、下肢和足部的作为临床诊断的客观依据,但在提取特征方法上

受伤有关。因此,步态分析在临床研究中具有重要存在较大差异。此外,现有的一种加权模糊神经

的研究意义。网络(FuzzyNeuralNetwork,FNN),利用双脚的压

[7]

步态障碍是帕金森症最显著的症状之一,主要力信号差异进行分类,准确率达到74郾3%。采

表现为足底压力异常、步幅缩小和行走周期变长等。用朴素贝叶斯(NaiveBayes,NB)对帕金森症步态

目前,帕金森症已成为仅次于阿尔兹海默症的第二[8]

进行分类,准确率达到78郾9%。使用多层感知

大常见神经障碍疾病,每10万人中有12~15人患机(MultilayerPerceptron,MLP)对健康受试者和帕