[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

说明书

一种基于足底压力的集成K近邻帕金森病定量诊断系统，包括信号采集预处理、特征提取、训练学习输出模块；信号采集预处理模块获取帕金森病人及健康人压力信号，预处理得到信号片段；特征提取模块进行足底压力特征提取，先进行标准化，其次确定截取步长，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，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K近邻基分类器，计算每个K近邻基分类器的输出性能，计算得到每个K近邻基分类器的权值，完成集成学习，以最大输出概率的标签作为足底压力信号对应的健康状态，完成帕金森病定量诊断；本发明高效、智能完成帕金森病患者疾病程度的定量诊断。

技术领域

本发明属于帕金森病诊断技术领域，具体涉及一种基于足底压力的集成K近邻帕金森病定量诊断系统。

背景技术

随着社会老龄化现象加剧，帕金森病等常见老年病患者人数剧增。作为继肿瘤、心脑血管病之后中老年人的“第三杀手”，帕金森病的诊疗受到各个领域专家的广泛关注。但其早期症状隐匿，在尚未出现典型临床症状时，患者已出现神经系统退行性病变，且其病程呈进展性发展，因而需要定量诊断以为临床治疗提供支撑。国际较为常用的统一帕金森病评定量表为UPDRS量表，通过医生对患者的观察来对帕金森病进行正常、轻度、中等、严重以及极度严重的程度评估，这些方法对帕金森病严重程度的评估具有一定的可信度和有效性，但是主观性强，无法对疾病进行准确地统一评估。正常行走过程中的足底压力作为观测数据，具有非侵入、干扰小、舒适性高等优点，可成为评估帕金森病人疾病严重程度以及发展的基本特征来源数据。作为一种经典的模式分类方法，K近邻方法能够根据已有经验数据，进行数据的识别与分类。由于其结构和算法相对简单等优点被广泛应用于语音、图像等多个领域。

然而，传统的K近邻算法应用于帕金森病定量诊断时存在如下两个问题。(1)人类健康个体自身差异显著，受生活习惯、职业、教育程度等影响，不同个体呈现出不同的足底压力变化趋势，此外，病理表征受环境因素影响也复杂多变，使得健康群体以及帕金森病患者群体的差异淹没于个体自身的差异中，从而诊断精度降低；(2)在实际临床诊断过程中健康样本以及轻度疾病患者的样本数量巨大，然而疾病严重的患者步态数据样本量及其稀少，这种分布非常不均衡的数据无法学习得到一个可靠的、足以表征整个故障数据分布的K近邻分类模型，最终导致较低的诊断精度，难以获得良好的诊断效果。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提出一种基于足底压力的集成K近邻帕金森病定量诊断系统，能够高效、智能地完成可穿戴背景下帕金森病患者疾病程度的定量诊断。

为了达到上述目的，本发明采取的技术方案为：

一种基于足底压力的集成K近邻帕金森病定量诊断系统，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。