Nothing Special   »   [go: up one dir, main page]

CN113317780A - 一种基于长短时记忆神经网络的异常步态检测方法 - Google Patents

一种基于长短时记忆神经网络的异常步态检测方法 Download PDF

Info

Publication number
CN113317780A
CN113317780A CN202110630916.5A CN202110630916A CN113317780A CN 113317780 A CN113317780 A CN 113317780A CN 202110630916 A CN202110630916 A CN 202110630916A CN 113317780 A CN113317780 A CN 113317780A
Authority
CN
China
Prior art keywords
time
neural network
long
short
memory neural
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110630916.5A
Other languages
English (en)
Inventor
孙玉波
刘嘉男
于宁波
韩建达
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nankai University
Original Assignee
Nankai University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nankai University filed Critical Nankai University
Priority to CN202110630916.5A priority Critical patent/CN113317780A/zh
Publication of CN113317780A publication Critical patent/CN113317780A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/112—Gait analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A61B5/6804—Garments; Clothes
    • A61B5/6807—Footwear
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Pathology (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Signal Processing (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Biology (AREA)
  • Psychiatry (AREA)
  • Databases & Information Systems (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Epidemiology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

一种基于长短时记忆神经网络的异常步态检测方法，包含以下步骤：数据预处理；数据预处理包含基于数据库进行试验对象类别划分，采集受试者步态过程中的足底压力数据，按实验对象划分数据集，保证同一病人的数据只出现在训练集或者测试集；基于长短时记忆神经网络的模型搭建，将每个LSTM单元的输出进行均值池化，每个LSTM单元的输出代表了对当前时刻之前的所有输入数据学习到的抽象特征，将这些抽象特征与最后时刻的特征拼接，送人全连接层中，最后使用激活函数输出概率值，二分类时使用Sigmoid函数，多分类使用Softmax函数；模型训练与结果评估。本发明有助于定量评估步态障碍，为医生提供诊断辅助。

Description

一种基于长短时记忆神经网络的异常步态检测方法
技术领域
本发明涉及数字诊断、人工智能、康复训练领域，具体涉及一种基于长短时记忆神经网络的异常步态检测方法。
背景技术
步态异常可因运动或感觉障碍引起，其特点与病变部位有关。可见于许多神经系统疾病中，如帕金森病、常压脑积水等。典型异常步态，对特定疾病具有提示意义，但目前医生常用的诊断方式是通过望诊做出诊断，对于病情较轻的初期患者，往往较难进行分辨。迫切需求对异常步态量化的、细致的检测方法，对诊断提供帮助。
地面反作用力是人在行走过程中受到的唯一外力，足底压力可以充分反映步态。在步态周期的支撑相过程中，足底与地面相互作用，地面反作用力对于步态有着根本性的作用，该信息可以通过力传感器采集。步态的异常状态与变化可以在足底压力中得到反映。较为明显的有帕金森病和常压脑积水。
帕金森病患者早期会出现步态功能障碍，包括慌张步态、拖曳步态等。步态功能障碍可用于评估帕金森病患者的生活质量、跌倒风险甚至死亡率。但是在患病初期，在能够自行行走的患者中，步态异常是难以通过望诊的方式察觉的。正常颅压脑积水(NPH)是指颅内压力正常而有脑室扩大，并且伴有记忆力、智力减退，步态不稳，尿失禁的三联临床综合症。步态功能障碍是常压脑积水患者首先出现的第一症状，偶然可出现于智力下降，尿失禁之后，步态功能障碍在患病初期表现为轻微的走路不稳，严重者表现为不能行走或站立。待患病晚期，三联症状较为明显时，可以通过腰穿测试确定是否患常压脑积水。但由于病理尚未明确，该病情初期的诊断方式缺失，导致较多患者不能接受到及时的治疗。步态评估具有挑战性，严重依赖于临床医生的专业知识，具有主观性。
发明内容
本发明为克服现有技术，提供一种基于长短时记忆神经网络的异常步态检测方法。该方法通过脚底的压力传感器，采集患者在步行过程中的足底压力信息，并用所提出的基于长短时记忆神经网络的步态异常检测方法进行分类，可以帮助医生简化诊断过程。
一种基于长短时记忆神经网络的异常步态检测方法，包含以下步骤：
a、数据预处理；
b、基于长短时记忆神经网络的模型搭建；
c、模型训练与结果评估。
进一步地，所述数据预处理包含基于数据库进行试验对象类别划分，采集受试者步态过程中的足底压力数据，按实验对象划分数据集，保证同一病人的数据只出现在训练集或者测试集；
数据样本点的压力值为：
Figure BDA0003103710450000021
搭建基于长短时记忆神经网络的模型，将隐藏层个数设置为128，并将每个LSTM单元的输出进行均值池化，每个LSTM单元的输出代表了对当前时刻之前的所有输入数据学习到的抽象特征，将这些抽象特征与最后时刻的特征拼接，送人全连接层中，最后使用激活函数输出概率值。
二分类任务时输出采用Sigmoid函数，损失函数为二分类交叉熵，也即：
Figure BDA0003103710450000022
其中，
Figure BDA0003103710450000023
为经过Sigmoid函数的输出的概率值，y代表实际标签值。
或者多分类任务时采用Softmax函数，损失函数为多分类交叉熵，也即：
Figure BDA0003103710450000024
其中，
Figure BDA0003103710450000025
为经过Softmax函数的输出的概率值，y代表实际标签值。
本发明相比现有技术的有益效果是：
本发明能实现对异常步态的早期检测，有助于帮助医生进行早期病情诊断，帮助患者及早接受治疗。对受试者步态周期中的足底压力进行分类与识别，本发明可以实现对步态特征的检测，通过与健康数据集对比，检测异常步态，并且量化步态异常程度，并进行异常步态分类。有助于定量评估步态障碍，为医生提供诊断辅助。
下面结合附图和实施例对本发明的技术方案作进一步地说明：
附图说明
图1为本发明基于长短时记忆神经网络的异常步态检测流程图；
图2为LSTM模块示意图；
图3为LSTM单元示意图；
图4为均值池化的示意图。
具体实施方式
本实施方式的一种基于长短时记忆神经网络的异常步态检测方法，包含以下步骤：
a、数据预处理；
b、基于长短时记忆神经网络的模型搭建；
c、模型训练与结果评估。
下面通过实施例进一步说明本发明：
实施例1
此为二分类实验，即区分正常人和病人。
使用数据库里的数据，该数据集包含93名帕金森病患者和73名健康对照者的足底压力测量数据。受试者在水平地面上按自己步调行走约2分钟。在受试者穿着的每个鞋垫中，有八个传感器，分别以L1、L2、L3、L4、L5、L6、L7、L8、R1、R2、R3、R4、R5、R6、R7和R8表示采样位置。以100赫兹/秒的速度测量足底压力。即在左脚和右脚各采集8路足底压力信号，以及计算左右脚合力，共计18路信号。
经分析步态周期大致为1s，按实验对象划分数据集，保证同一病人的数据只出现在训练集或者测试集。因为步态周期大致为1s，并不精准，因此按50％重叠率，以100*18个数据点为一组进行分段作为输入，并采用最大最小归一化至[0,1]，如下式所示：
Figure BDA0003103710450000031
Xi为数据样本点的压力值为，i＝1，2，3，…，100；
接着搭建模型，如图1所示，给出3路信号为例，为隐藏层个数设置为128，并将每个LSTM单元的输出进行均值池化，每个LSTM单元的输出代表了对当前时刻之前的所有输入数据学习到的抽象特征，使用均值池化可增强模型的泛化能力也可以减少全连接层的参数，均值池化如图4所示。将这些抽象特征与最后时刻的特征拼接，送入全连接层中，最后使用Sigmoid函数输出异常的概率值。
参考图3，参数更新如下式所示：
ft＝σ(Wf·[ht-1,xt]+bf)
it＝σ(Wi·[ht-1,xt]+bi)
Figure BDA0003103710450000032
Figure BDA0003103710450000033
ot＝σ(Wo[ht-1,xt]+bo)
ht＝ot·tanh(Ct)
由于这里进行的二分类，即区分正常人和病人，因此损失函数使用了二分类交叉熵，如下式所示。其中
Figure BDA0003103710450000034
为模型输出的概率值，也就是经过Sigmoid函数的输出，y代表实际标签值。
Figure BDA0003103710450000041
实验中，批处理大小为10，采用随机梯度下降为优化器，学习率为0.1，学习轮数50。
为了更好的评估模型的性能，采用十轮交叉验证，取平均值作为模型最终的精度。从准确率、精准度、召回率、特异性和F1系数进行评估。同时也与如下多种其他方法进行比较，可以看到所提的方法效果最优。
Figure BDA0003103710450000042
实施例2
此为多分类实验，依照数据库里的评分信息，将实验对象分为5个级别，专家评分小于5为第一类，评分介于5和15为第二类，介于15和25为第三类，基于25和35为第四类，大于35为第五类，将类别进行独热编码。
在受试者穿着的每个鞋垫中，有八个传感器，分别以L1、L2、L3、L4、L5、L6、L7、L8、R1、R2、R3、R4、R5、R6、R7和R8表示采样位置；使用数据库里的数据，在左脚和右脚各采集8路足底压力信号，以及计算左右脚合力，共计18路信号，采样频率100HZ。
经分析步态周期大致为1s，按实验对象划分数据集，保证同一病人的数据只出现在训练集或者测试集。因为步态周期大致为1s，并不精准，因此按50％重叠率，以100*18个数据点为一组进行分段，并采用最大最小归一化至[0,1]，如下式所示。
Figure BDA0003103710450000051
Xi为数据样本点的压力值为，i＝1，2，3，…，100；
接着搭建模型，隐藏层个数设置为256，并将每个LSTM单元的输出进行均值池化，每个LSTM单元的输出代表了对当前时刻之前的所有输入数据学习到的抽象特征，使用均值池化可以增强模型的泛化能力也可以减少全连接层的参数，均值池化如图3所示。将这些抽象特征与最后时刻的特征拼接，送入全连接层中，最后使用Softmax函数输出异常的概率值。
由于这里进行的多分类，即将病人分为不同的病情等级，因此损失函数使用了多分类交叉熵，如下式所示。其中
Figure BDA0003103710450000052
为模型输出的概率值，也就是经过softmax函数的输出，y代表实际标签值。
Figure BDA0003103710450000053
实验中，批处理大小为10，采用随机梯度下降为优化器，学习率为0.1,学习轮数50。
为了更好的评估模型的性能，采用十轮交叉验证，取平均值作为模型最终的精度。从准确率、精准度、召回率、特异性和F1系数进行评估。由于多分类标准不同，在这里不进行对比，只给出实验结果。
准确度 精准度 召回率 特异性 F1
0.897583333 0.753719863 0.731269841 0.931504326 0.719589904
本发明已以较佳实施案例揭示如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可以利用上述揭示的结构及技术内容做出些许的更动或修饰为等同变化的等效实施案例，均仍属本发明技术方案范围。

Claims (8)

1.一种基于长短时记忆神经网络的异常步态检测方法，其特征在于：包含以下步骤：
a、数据预处理；
b、基于长短时记忆神经网络的模型搭建；
c、模型训练与结果评估。
2.根据权利要求1所述一种基于长短时记忆神经网络的异常步态检测方法，其特征在于：所述数据预处理包含基于数据库进行试验对象类别划分，采集受试者步态过程中的足底压力数据，按实验对象划分数据集，保证同一病人的数据只出现在训练集或者测试集；
数据样本点的压力值为：
Figure FDA0003103710440000011
3.根据权利要求1或2所述一种基于长短时记忆神经网络的异常步态检测方法，其特征在于：搭建基于长短时记忆神经网络的模型，将隐藏层个数设置为128，并将每个LSTM单元的输出进行均值池化，每个LSTM单元的输出代表了对当前时刻之前的所有输入数据学习到的抽象特征，将这些抽象特征与最后时刻的特征拼接，送人全连接层中，最后使用Sigmoid函数输出概率值。
4.根据权利要求3所述一种基于长短时记忆神经网络的异常步态检测方法，其特征在于：所述LSTM单元的参数更新如下：
ft＝σ(Wf·[ht-1,xt]+bf)
it＝σ(Wi·[ht-1,xt]+bi)
Figure FDA0003103710440000012
Figure FDA0003103710440000013
ot＝σ(Wo[ht-1,xt]+bo)
ht＝ot·tanh(Ct)
其中，ft表示遗忘门的输出，Wf代表权重矩阵，Ct-1是上一时刻的细胞状态，ht-1上一时刻的模块输出，σ代表Sigmoid层，每一个数据都需要经过Sigmoid函数，bf表示偏置，[ht-1,xt]代表将两个矩阵拼接在一起。
5.根据权利要求4所述一种基于长短时记忆神经网络的异常步态检测方法，其特征在于：二分类任务时采用输出Sigmoid函数，损失函数为二分类交叉熵，也即：
Figure FDA0003103710440000014
其中
Figure FDA0003103710440000015
为经过Sigmoid函数的输出的概率值，y代表实际标签值。
6.根据权利要求4所述一种基于长短时记忆神经网络的异常步态检测方法，其特征在于：多分类任务时输出采用Softmax函数，损失函数为多分类交叉熵，也即
Figure FDA0003103710440000021
其中
Figure FDA0003103710440000022
为经过Softmax函数的输出的概率值，y代表实际标签值。
7.根据权利要求5或6所述一种基于长短时记忆神经网络的异常步态检测方法，其特征在于：LSTM单元的参数更新过程中，采用随机梯度下降法进行优化，学习率为0.1，学习轮数为50。
8.根据权利要求7所述一种基于长短时记忆神经网络的异常步态检测方法，其特征在于：足底压力数据的采集频率为100Hz。
CN202110630916.5A 2021-06-07 2021-06-07 一种基于长短时记忆神经网络的异常步态检测方法 Pending CN113317780A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110630916.5A CN113317780A (zh) 2021-06-07 2021-06-07 一种基于长短时记忆神经网络的异常步态检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110630916.5A CN113317780A (zh) 2021-06-07 2021-06-07 一种基于长短时记忆神经网络的异常步态检测方法

Publications (1)

Publication Number Publication Date
CN113317780A true CN113317780A (zh) 2021-08-31

Family

ID=77421194

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110630916.5A Pending CN113317780A (zh) 2021-06-07 2021-06-07 一种基于长短时记忆神经网络的异常步态检测方法

Country Status (1)

Country Link
CN (1) CN113317780A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111273623A (zh) * 2020-02-25 2020-06-12 电子科技大学 基于Stacked LSTM的故障诊断方法
CN114176577A (zh) * 2021-12-30 2022-03-15 北京航空航天大学 一种运动神经类疾病的检测方法、装置及可读存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109820525A (zh) * 2019-01-23 2019-05-31 五邑大学 一种基于cnn-lstm深度学习模型的驾驶疲劳识别方法
CN110432870A (zh) * 2019-08-13 2019-11-12 重庆邮电大学 一种基于1d cnn-lstm的睡眠信号自动分期方法
CN110956111A (zh) * 2019-11-22 2020-04-03 苏州闪驰数控系统集成有限公司 人工智能cnn、lstm神经网络步态识别系统
CN111053549A (zh) * 2019-12-23 2020-04-24 威海北洋电气集团股份有限公司 一种智能生物信号异常检测方法及系统
CN111832228A (zh) * 2020-07-17 2020-10-27 中国人民解放军海军工程大学 基于cnn-lstm的振动传递系统
CN111938660A (zh) * 2020-08-13 2020-11-17 电子科技大学 一种基于阵列肌电的卒中患者手部康复训练动作识别方法
CN112401834A (zh) * 2020-10-19 2021-02-26 南方科技大学 一种运动阻碍型疾病诊断装置
CN112826513A (zh) * 2021-01-05 2021-05-25 华中科技大学 一种基于深度学习和特异性矫正在fecg上胎儿心率检测系统
CN112883931A (zh) * 2021-03-29 2021-06-01 动者科技(杭州)有限责任公司 基于长短期记忆网络的实时真假运动判断方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109820525A (zh) * 2019-01-23 2019-05-31 五邑大学 一种基于cnn-lstm深度学习模型的驾驶疲劳识别方法
CN110432870A (zh) * 2019-08-13 2019-11-12 重庆邮电大学 一种基于1d cnn-lstm的睡眠信号自动分期方法
CN110956111A (zh) * 2019-11-22 2020-04-03 苏州闪驰数控系统集成有限公司 人工智能cnn、lstm神经网络步态识别系统
CN111053549A (zh) * 2019-12-23 2020-04-24 威海北洋电气集团股份有限公司 一种智能生物信号异常检测方法及系统
CN111832228A (zh) * 2020-07-17 2020-10-27 中国人民解放军海军工程大学 基于cnn-lstm的振动传递系统
CN111938660A (zh) * 2020-08-13 2020-11-17 电子科技大学 一种基于阵列肌电的卒中患者手部康复训练动作识别方法
CN112401834A (zh) * 2020-10-19 2021-02-26 南方科技大学 一种运动阻碍型疾病诊断装置
CN112826513A (zh) * 2021-01-05 2021-05-25 华中科技大学 一种基于深度学习和特异性矫正在fecg上胎儿心率检测系统
CN112883931A (zh) * 2021-03-29 2021-06-01 动者科技(杭州)有限责任公司 基于长短期记忆网络的实时真假运动判断方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111273623A (zh) * 2020-02-25 2020-06-12 电子科技大学 基于Stacked LSTM的故障诊断方法
CN111273623B (zh) * 2020-02-25 2022-10-18 电子科技大学 基于Stacked LSTM的故障诊断方法
CN114176577A (zh) * 2021-12-30 2022-03-15 北京航空航天大学 一种运动神经类疾病的检测方法、装置及可读存储介质

Similar Documents

Publication Publication Date Title
Zhao et al. Dual channel LSTM based multi-feature extraction in gait for diagnosis of Neurodegenerative diseases
CN109528197B (zh) 基于脑功能图谱进行精神疾病的个体化预测方法和系统
CN104834888A (zh) 一种辅助筛查帕金森症的异常步态识别方法
CN114999629B (zh) 一种基于多特征融合的ad早期预测方法、系统、装置
Coupé et al. LesionBrain: an online tool for white matter lesion segmentation
CN113317780A (zh) 一种基于长短时记忆神经网络的异常步态检测方法
CN111329484A (zh) 基于足底压力信息时空域特征的糖尿病足风险预警装置
CN113796852B (zh) 一种基于梯度提升决策树模型算法的糖尿病足预测方法
KR20200001777A (ko) 우울증 발병 예측 방법 및 이를 이용한 우울증 발병 예측 디바이스
Wu et al. A novel graph-based hybrid deep learning of cumulative GRU and deeper GCN for recognition of abnormal gait patterns using wearable sensors
Khera et al. Novel machine learning-based hybrid strategy for severity assessment of Parkinson’s disorders
CN114343585B (zh) 认知和行为障碍的预警方法、装置、设备及存储介质
Chee et al. Gait acceleration-based diabetes detection using hybrid deep learning
Cantürk A computerized method to assess Parkinson’s disease severity from gait variability based on gender
Balgetir et al. Detection of ataxia in low disability MS patients by hybrid convolutional neural networks based on images of plantar pressure distribution
CN108109696B (zh) 一种数据处理方法和装置
CN110801228B (zh) 一种基于神经网络预测的脑效应连接度量方法
CN116473514B (zh) 基于足底压力的自适应有向时空图神经网络的帕金森疾病检测方法
Huang et al. Parkinson's severity diagnosis explainable model based on 3D multi-head attention residual network
CN113545771B (zh) 一种基于足底压力的集成k近邻帕金森病定量诊断系统
CN115810122A (zh) 基于spect/ct检测甲状腺相关眼病活动性的深度学习方法
Zhao et al. Early detection of Parkinson’s disease by unsupervised learning from plantar bend data
Bilek et al. Quantitative assessment of ataxia in multiple sclerosis patients using spatiotemporal parameters: a relief-based machine learning analysis
CN114512236A (zh) 一种阿尔兹海默症智能辅助诊断系统
Chee et al. Diabetes Detection Using Gait Acceleration

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20210831

RJ01 Rejection of invention patent application after publication