[发明专利]一种基于马氏距离的步态分类与量化方法

权利要求书

1.一种基于马氏距离的步态分类与量化方法，其特征在于，所述基于马氏距离的步态分类与量化方法包括：

步骤一，计算样本j第i个关节角度异常指标dist^i，j；

步骤二，重复步骤一，计算样本各关节角度异常指标，将样本j各关节角度的异常指标dist^1，j，...，dist^N，j组合成向量，作为样本j的异常指标向量dist^j＝(dist^1，j，...，dist^N，j)；

步骤三，学习各关节角度之间的相关性，得到马氏矩阵Σ，计算样本异常指标向量dist^j与正常参考步态向量之间的马氏距离，得到样本整体步态异常指标；

步骤四，以步骤二中得到的样本异常指标向量dist^j作为样本的特征向量，结合步骤三得到的马氏矩阵Σ，使用SVM分类器对样本步态进行分类；

所述步骤一还包括：

(1)计算关节角度i的投影矩阵W_i：

1)对所有数据样本进行归一化处理：其中μ和σ分别是x^i，j的均值和标准差；

2)将中心化处理后的样本组合成一个矩阵X＝(x^i，1，x^i，2，...，x^i，j，...，x^i，M)；

3)计算协方差矩阵XX^T的特征值和特征向量：

XX^Tω＝λω；

其中ω为协方差矩阵XX^T的特征向量，λ为协方差矩阵XX^T的特征值；

4)取最大的d′个特征值对应的特征向量ω₁·ω₂，...，ω_d′，投影矩阵W＝(ω₁，...，ω_d′)；其中d′根据重构阈值t确定：

其中T表示的是步周期的长度，重构阈值t表示的意义是降维之后样本所包含的信息和原始数据的信息的比值，设置t＝0.95；

5)计算样本x^i，j其低维表示：

t^i，j＝Wx^i，j；

(2)计算正常人关节角度i的低维表示，并取平均作为参考模板；对于正常样本x^i，j，其低维表示为：

计算M个正常人低维表示的平均值，得到关节角度i的参考步态模板：

其中M_normal为正常样本数；

(3)计算关节角度i异常指标向量

对于样本关节角度i，计算与参考模板之间的距离：

dist^i，j即为衡量样本j第i个关节角度异常程度的指标；dist^i，j越大，该关节角度的异常程度越高，dist^i，j越小，该关节角度的异常程度越低。

2.如权利要求1所述的基于马氏距离的步态分类与量化方法，其特征在于，所述步骤三还包括：

(1)计算两个关节角度之间的协方差：

其中为关节角度p的均值；

(2)生成反映不同关节角度之间相关性的协方差矩阵，即马氏矩阵：

(3)使用马氏距离计算样本整体步态异常指标，设置参考模板向量如下：

ref＝(ref¹，...，ref^N)＝(0，...，0)；

然后，通过马氏距离计算样本步态和参考模板向量之间的距离，作为衡量样本步态异常程度的总体异常指标：