此示例演示如何使用这些函数中交
和dtw
从步态信号数据中提取特征。步态信号用于研究神经退行性疾病患者的行走模式。据报道,健康人和病人之间的跨步时间不同。中交
提供了一种计算这些时间的便捷方法。人们也会随着时间的推移改变行走速度。dtw
通过扭曲使步态信号及时对齐,提供了一种方便的方法来定量比较步态信号的形状中交
在步态信号中定位每一步,并dtw
计算步态信号段之间的距离。这些结果被视为信号分类的潜在特征。虽然此示例特定于步态信号,但也可以使用这些函数分析其他生理信号,如心电图(ECG)或光容积图(PPG)。
正在分析的数据集包含肌萎缩侧索硬化症(ALS)患者和对照组在行走过程中收集的力数据。ALS是一种由Lou Gehrig、Stephen Hawking和2014年“冰桶挑战赛”而闻名的疾病。
加载并绘制一名患者的前30秒步态信号数据。
帮助图(“als1m”);xlim([0 30])
此数据集表示脚在力敏电阻器上施加的力。力的测量单位为毫伏。每条记录长度为一分钟,包含受试者左右脚的单独通道。数据集中的每一步都以脚撞击和离开地面时力的急剧变化为特征。使用中交
找到ALS患者的这些急剧变化。
使用中交
查找并绘制ALS患者左脚的每个交叉点的位置。选择25%的公差以确保检测到每个交叉点。
Fs=300;gaitSignal=helperGaitImport(“als1m”)中交叉(步态信号(1,:),Fs,“宽容”,25); xlim([0 30])xlabel(“样本编号”)伊拉贝尔(“mV”)
中交
正确识别交叉点。现在使用它来计算一组10名患者的跨步时间。5名患者为对照受试者,5名患者患有ALS。使用每位患者的左脚记录,排除前8次交叉点,以消除瞬态。
pnames=helperGaitImport();对于i=1:10 gaitSignal=helperGaitImport(pnames{i});IND2=中交叉(步幅信号(1,:),Fs,“宽容”,25); IST{i}=diff(IND2(9:2:end));变量(i)=var(IST{i});结束
绘制跨步时间。
数字保持在…上对于i=1:5图(1:length(IST{i}),IST{i},“-r”)图(1:length(IST{i+5}),IST{i+5},“-b”)结束xlabel(“步幅数”)伊拉贝尔(“跨步之间的时间(秒)”)传奇(“ALS”,“控制”)
ALS患者的跨步时间总体上差异较大。
量化步距后,继续分析步态信号数据的形状,独立于这些步间变化dtw
。理想情况下,人们会随着治疗或疾病的进展比较步态信号的形状。在这里,我们比较同一记录的两段,一段在记录的早期(西格西尼亚利夫特
),第二个朝着终点(信号左
).每个部分包含六个步骤。
加载步态信号数据段。
负载PNGaitSegments.mat
在整个记录过程中,患者的步行速度不同。dtw
通过扭曲线段以及时对齐线段,提供线段之间距离的度量。使用以下命令比较这两个段:dtw
.
图dtw(sigsInitialLeft{1},SIGSFINALLLEFT{1});图例(“早期部分”,“后段”,“位置”,‘东南’)
这两个部分在时间上是对齐的。尽管患者的步进率似乎随着时间而变化,从原始信号的偏移中可以看出,dtw
通过允许任意一段的样本重复来匹配两段。通过dtw
,以及步幅间时间的变化,将作为步态信号分类器的特征进行探索。
假设您正在构建一个分类器,根据步态信号判断患者是否健康。调查步幅间时间的变化,特点1
,以及通过dtw
在初始和最终信号段之间,特点2
,作为分类特征。
特征1以前是使用中交
.
特征1=变量;
提取ALS患者和对照组的特征2。
特征2=零(10,1);对于i=1:length(sigsInitialLeft)feature2(i)=dtw(sigsInitialLeft{i},sigsFinalLeft{i});结束
绘制ALS受试者和对照受试者的特征。
地物图(地物1(1:5)、地物2(1:5),“r*”,...特写1(6:10),特写2(6:10),“b+”,...“MarkerSize”,10,“线宽”,1)xlabel(“跨步时间的变化”)伊拉贝尔(“段间距离”)传奇(“ALS”,“控制”)
肌萎缩侧索硬化症患者的跨步时间差异似乎较大,但通过肌萎缩侧索硬化治疗的距离较小dtw
这些特征相互补充,可用于神经网络或支持向量机等分类器。万博1manbetx
中交
和dtw
提供一种方便的方法来比较步态信号和其他由于不同运动或活动速率而随时间不规则重复的生理数据中交
并使用dtw
.这些都是补充措施,正如dtw
删除了任何时间变化中交
距离可以测量。作为特征,这两个指标显示了该数据集的对照组和ALS患者之间的分离。中交
和dtw
同样,也可用于检测形状随活动而变化的其他生理信号。
[1] Goldberger,A.L.,L.A.N.Amaral,L.Glass,J.M.Hausdorff,P.C.Ivanov,R.G.Mark,R.G.Mietus,G.B.Moody,C.-K.Peng和H.E.Stanley.“生理银行,生理工具包和生理网:复杂生理信号新研究资源的组成部分”,《循环》第101卷,第23期,2000年,第e215-e200页。