从生理信号中提取分类特征

打开生活的脚本

这个例子展示了如何使用功能midcross和dtw从步态信号中提取特征数据。步态信号用于研究神经退行性疾病患者的步行模式。之间的时间的进步已经报告给健康和生病的个体之间的差异。midcross提供了一个方便的方法来计算这些时间。随着时间的推移人们也改变他们的步行速度。dtw提供了一种方便的方法来定量地比较步态信号的形状扭曲,使之在时间。这个示例使用midcross在步态信号来定位每一步dtw计算之间的距离步态信号段。这些结果检查作为潜在特性信号分类。虽然这个例子是特定于步态信号,其他生理信号,如心电图(ECG)或photoplethysmogram (PPG),也可以使用这些函数分析。

测量Inter-Stride时间间隔

被分析的数据集包含力数据收集期间走了肌萎缩性脊髓侧索硬化(ALS)患者和对照组。肌萎缩性侧索硬化症被卢伽雷病出名,斯蒂芬·霍金,2014年的“冰桶的挑战”。

加载和情节的第一个30秒为一个病人步态信号数据。

helperGaitPlot (“als1m”);xlim (30 [0])

图包含一个坐标轴对象。坐标轴对象与标题步态信号数据包含2线类型的对象。这些对象代表了左脚,右脚。

这个数据集表示一脚施加的力力敏感的电阻器。力用毫伏。每个记录是一分钟的长度,包含独立渠道的左、右脚主题。每一步的数据集的特点是力急剧变化的影响和离开地面。使用midcross找到这些急剧变化的ALS病人。

使用midcross查找和阴谋每个路口的位置的左脚ALS病人。选择25%的公差,以确保每一个跨越检测。

Fs = 300;gaitSignal = helperGaitImport (“als1m”);:midcross (gaitSignal (1), Fs,“宽容”25);xlim(30[0])包含(的样本数量)ylabel (“mV”)

图中交叉图包含一个坐标轴对象。坐标轴对象包含9线类型的对象。这些对象代表信号,中期十字架上边界,上,下边界,参考,中期低状态。

midcross正确识别交叉。现在用它来计算inter-stride时间一群10个病人。五个病人是对照组,五个病人肌萎缩性侧索硬化症。使用左脚记录每个病人和排除前八口岸去除瞬变。

pnames = helperGaitImport ();为我= 1:10 gaitSignal = helperGaitImport (pnames{我});IND2 = midcross (gaitSignal (1:), Fs,“宽容”25);我是{}= diff (IND2(九:结束));varIST (i) = var (IST{我});结束

情节inter-stride时报。

图保存在为我= 1:5的阴谋(1:长度(IST{我}),是{},“。r”)的阴谋(1:长度(是{我+ 5}),是{我+ 5},“。”)结束包含(“跨数”)ylabel (“间隔时间的进步(sec)”)传说(“ALS”,“控制”)

图包含一个坐标轴对象。坐标轴对象包含10线类型的对象。这些对象代表ALS,控制。

的方差inter-stride乘以总体对ALS患者高。

测量步行模式的相似性

在量化步骤之间的距离,进行分析的形状步态信号数据独立于这些inter-step变化。比较两段的信号使用dtw。理想情况下,人会比较步态信号的形状随着时间的治疗或疾病进展。在这里,我们比较两个相同的记录,一个段早期记录(sigsInitialLeft年底),第二个(sigsFinalLeft)。每一部分包含六个步骤。

加载步态信号数据段。

负载PNGaitSegments.mat

病人不走以同样的速度在整个记录。dtw提供了一个衡量段扭曲他们使他们之间的距离。比较两段使用dtw。

sigsFinalLeft图dtw (sigsInitialLeft {1}, {1});传奇(“早期段”,后段的,“位置”,“东南”)

图包含2轴对象。坐标轴对象1 2标题原始信号包含的对象类型。轴与标题对齐对象2信号(欧几里得距离:11.834667)包含2线类型的对象。这些对象代表早期段,后段。

这两个部分是一致的。尽管一步的病人似乎改变随着时间的推移,我们可以看到在原始信号的抵消,dtw匹配两个部分通过允许部分重复的样本。通过的距离dtw,连同inter-stride时报的方差,将探索作为步态特征信号分类器。

构造一个特征向量对信号进行分类

假设您正在构建一个分类器来决定病人是否健康的基于步态信号。调查的方差inter-stride时期,feature1,并通过的距离dtw在初始和最终信号段,feature2作为分类特征。

特性1以前计算使用midcross。

feature1 = varIST;

提取特征2对ALS患者和对照组。

feature2 = 0 (10, 1);为i = 1:长度(sigsInitialLeft) feature2 (i) = dtw (sigsInitialLeft {}, sigsFinalLeft{我});结束

情节ALS主题和控制对象的特性。

图绘制(feature1 (1:5), feature2 (1:5),的r *,…feature1 (6:10) feature2 (6:10)“b +”,…“MarkerSize”10“线宽”1)包含(的方差Inter-Stride时报》)ylabel (“段之间的距离”)传说(“ALS”,“控制”)

图包含一个坐标轴对象。坐标轴对象包含2线类型的对象。这些对象代表ALS,控制。

ALS患者似乎有更大的方差在inter-stride时期,但通过一个较小的距离dtw间段。这些功能互相恭维,可以探索使用一个标识符,比如神经网络和支持向量机。金宝app

结论

midcross和dtw提供一种方便的方法来比较步态信号和其他生理数据重复率随着时间的推移,由于不同的不规则运动或活动。在这个例子中,步骤时间使用midcross段距离计算使用dtw。这些都是免费措施,dtw删除任何时间变化midcross距离测量。功能,这两个指标显示分离控制和ALS患者对于这个数据集。midcross和dtw同样可以被用来检查其他生理信号的形状变化的函数的活动。

引用

[1]Goldberger, a . L。,L. A. N. Amaral, L. Glass, J. M. Hausdorff, P. Ch. Ivanov, R. G. Mark, R. G. Mietus, G. B. Moody, C.-K. Peng, and H. E. Stanley. "PhysioBank, PhysioToolkit, and PhysioNet: Components of a New Research Resource for Complex Physiologic Signals." Circulation. Vol. 101, Number 23, 2000, pp. e215-e200.

另请参阅

dtw|midcross