[发明专利]一种基于足底压力的集成K近邻帕金森病定量诊断系统

权利要求书

1.一种基于足底压力的集成K近邻帕金森病定量诊断系统，其特征在于：包括信号采集预处理模块、特征提取模块、训练学习输出模块；

信号采集预处理模块：获取帕金森病人以及健康人正常行走过程中足底不同位置的压力信号，组成足底压力信号集对足底压力信号进行预处理，得到信号片段；

特征提取模块：进行步态特征提取，首先对信号片段进行标准化，其次确定截取信号片段的步长I_train，再确定足底压力特征种类以及特征集；

训练学习输出模块：对K近邻分类模型进行训练，多次从训练特征集中获取部分特征作为K近邻分类算法的输入，形成多个不同的K近邻基分类器；计算每个K近邻基分类器的输出性能g_m和F1_m；根据每个基分类器的g_m和F1_m计算得到每个K近邻基分类器的权值，完成集成学习，训练完成后，以最大输出概率的标签作为该足底压力信号x_n对应的健康状态，完成帕金森病的定量诊断；

所述的信号采集预处理模块中足底不同位置的压力信号包括：足后跟、内外足跟、内外足弓、内外足掌以及大拇指8处的足底压力变化信息；

所述的特征提取模块中信号处理过程具体为：

首先对信号片段的足底压力信号进行标准化，对足底所有压力传感器的信号除以被试者自身体重构建标准信号集分别从每个个体的足底压力信号中以步长I_train截取N_in长度的样本片段，组成样本片段集其中，是第n个个体的第j个样本片段，且包含N_in个数据点；

分别获取样本片段的压力均值特征其中，是第n个个体第j个样本片段中的第i个点，以及样本片段的变异系数特征再提取代表左右下肢协调性的不对称特征，形成训练特征集

所述的训练学习输出模块中训练学习过程具体为：

将训练特征集中的特征随机分配成不同的基分类器训练集作为第m个K近邻分类算法的输入特征，形成m个不同的K近邻基分类器,并计算每个K近邻基分类器的输出性能，g_m以及F₁是评价针对不平衡数据分类算法的有效指标，对于多分类，以真实类别标签为1作为关注类别，TP是预测的类别与真实类别相符，TN是预测别的类别时也准确，FN是将其它的类别预测成所关注的类别，FP是将其它类别预测为别的类别；

计算每个K近邻基分类器在集成学习过程中的权值以各个基分类器的权值作为集成学习过程中的集成标准，完成集成K近邻分类，实现帕金森病的定量诊断。