[发明专利]基于Kinect和图卷积神经网络的偏瘫步态评估方法和介质

说明书

本发明涉及基于Kinect和图卷积神经网络的偏瘫步态评估方法和介质，方法包括以下步骤：S1：通过Kinect相机采集患者的步态视频数据；S2：根据S1获取的步态视频数据提取人体骨架的关节点空间坐标，并进行数据预处理，获取步态特征图，步态特征图包括关节位置特征图、运动速度特征图、骨骼特征图和重心特征图；S3：将S2获取的步态特征图输入预先构建并训练好的评估网络模型中，获取量表得分；S4：获取量表评分准则，根据量表评分准则和S3获取的量表得分对患者的偏瘫步态进行等级划分。与现有技术相比，该发明能够快速精准的实现对偏瘫患者的步态评估，并对偏瘫患者的偏瘫程度划分等级。

技术领域

本发明涉及步态分析的技术领域，尤其是涉及基于Kinect和图卷积神经网络 的偏瘫步态评估方法和介质。

背景技术

偏瘫是脑卒中最常出现的疾病类型，运动功能障碍是偏瘫患者最常出现的临 床症状，恢复其步行功能是迫切需要解决的问题之一。在临床康复中，通过对偏瘫 步态进行分析获取定量的步态信息，可为揭示异常步态原因、矫正异常步态、制定 康复治疗计划以及评估康复干预效果提供依据。大多数临床医生在对偏瘫患者的步 态评估中采用的是主观观察和量表评分两种手段，但是带有个人主观差异性的观察 评估在临床治疗中并不够可靠，而量表评分提供的关于患者日常运动能力的信息， 也常被认为不客观以及对患者病情的改变评价不够敏感。

现有的智能偏瘫步态评估大都是基于步态参数特征进行，通过深度相机或身 上佩戴的传感器获取到的数据计算步长、步速等特征，并使用传统机器学习算法计 算出特征分类的准确性，从而实现偏瘫步态的识别与评估。由于现有技术需要动作 捕捉设备或者佩戴身体上的传感器，导致目前的步态评估系统受环境和场地限制较 大，且评估过程繁琐，需要的成本较高。

如文献“Random forest–based classsification and analysis of hemiplegiagait using low-cost depth cameras”(Luo,G.,Zhu,Y.,Wang,R.et al.Med Biol EngComput 58, 373–382(2020))所述，其使用Kinect相机获取人体关节点坐标并计算出步长、步 速等步态特征，通过构建随机森林模型对偏瘫步态进行分类并得到不同步态特征的 重要性排序，此方法能够对偏瘫步态进行识别但不能评估其偏瘫的严重程度。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供基于Kinect和图 卷积神经网络的偏瘫步态评估方法和介质，该发明能够快速精准的实现对偏瘫患者 的步态评估，并对偏瘫患者的偏瘫程度划分等级。

本发明的目的可以通过以下技术方案来实现：

根据本发明的一个方面，本发明提供一种基于Kinect和图卷积神经网络的偏 瘫步态评估方法，包括以下步骤：

S1：通过Kinect相机采集患者的步态视频数据；

S2：根据S1获取的步态视频数据提取人体骨架的关节点空间坐标，并进行数 据预处理，获取步态特征图，所述步态特征图包括关节位置特征图、运动速度特征 图、骨骼特征图和重心特征图；

S3：将S2获取的步态特征图输入预先构建并训练好的评估网络模型中，获取 量表得分；

S4：获取量表评分准则，根据量表评分准则和S3获取的量表得分对患者的偏 瘫步态进行等级划分。

优选地，所述重心特征图的重心特征集通过各身体节段的质心位置获取，描述 所述重心特征集的公式为：

G＝{g_t|t＝1,2,…T_in}