[发明专利]一种基于反向传播神经网络的步态异常识别方法

权利要求书

1.一种基于反向传播神经网络的步态异常识别方法，其特征在于，具体步骤如下：

步骤一，利用穿戴于人体的IMU采集人体正常行走时的信号，得到正常步态三轴加速度信息；

步骤二，利用穿戴于人体的IMU采集人体模拟典型异常步态行走时的信号，得到异常步态三轴加速度信息；

步骤三，根据目标典型行走步频，将原始数据做开窗切割预处理，并根据步态类别将各数据队列打上相应标签，形成数据标签对集；

步骤四，搭建BNPP反向传播神经网络（BPNN），BPNN网络为三层全连接结构，输入层所有结点连接至隐藏层，隐藏层所有结点连接至输出层；定义输入层、隐藏层、输出层，以及各激活函数；

步骤五，将步骤三中得到的数据标签对分成训练集与测试集，训练集送入步骤四中搭建的BPNN进行训练；训练完成后利用测试集评估模型分类效果。

2.根据权利要求1所述的步态异常识别方法，其特征在于，步骤一、步骤二中所述的IMU采集单元安置于小腿、鞋中、腰间，正常步态与异常步态的安装方式一致。

3.根据权利要求1所述的步态异常识别方法，其特征在于，步骤二中所述的典型异常步态包括偏瘫步态、帕金森步态、鸭步步态、跨阈步态、双瘫步态。

4.根据权利要求1、2或3所述的步态异常识别方法，其特征在于，步骤三中所述的对原始数据做开窗切割预处理，其数据窗长度为两个步态周期，窗间逐段步进值取开窗长度的四分之一，所述标签形式为独热编码。

5.根据权利要求4所述的步态异常识别方法，其特征在于，步骤四中所述的输入层结点数定义为步骤三中每段数据窗在当前采样频率下来自IMU三轴的采样点数；所述输出层结点数定义为当前模型中步态种类数，即一种正常步态与所有异常步态之和。

6.根据权利要求5所述的步态异常识别方法，其特征在于，步骤四中所述的三层BPNN的权重优化方法采用梯度下降法；

所述BPNN的隐藏层激励函数可为ReLU函数、Sigmod函数或tanh函数，输出层激励函数为Softmax函数。

7.根据权利要求6所述的步态异常识别方法，其特征在于，步骤四中所述BPNN的代价函数形式为在计算方差中加入L2范数的形式。

8.根据权利要求6所述的步态异常识别方法，其特征在于，输出层激励函数为Softmax函数，其公式为：

其中，w_j (j＝0,1,2,3,4,5)为从隐含层到输出层的权重向量。

9.根据权利要求7所述的步态异常识别方法，其特征在于，卷积神经网络的代价函数选为交叉熵代价函数加L2正则化参数，交叉熵具体形式为：

其中，为标签中的第i个值，为经softmax归一化输出的vector中的对应分量；L2正则具体形式为：

其中，E_in是未包含正则化项的训练样本误差，λ是正则化参数。