测量步幅间隔间隔

所分析的数据集包含了肌萎缩性侧索硬化症(ALS)患者和对照组在行走过程中收集的力数据。肌萎缩性侧索硬化症是一种因卢·格里克、斯蒂芬·霍金和2014年的“冰桶挑战”而出名的疾病。

加载并绘制一个患者前30秒的步态信号数据。

helperGaitPlot ('als1m'）;xlim (30 [0])

这个数据集表示一个脚施加在力敏感电阻上的力。力的单位是毫伏。每个记录是一分钟的长度，并包含单独的通道为左和右脚的一个主题。数据集中的每一步都以脚部撞击和离开地面时力量的急剧变化为特征。使用中间交货找到ALS患者的这些急剧改变。

使用中间交货找到并绘制每个交叉口的左脚左脚的位置。选择25％的容忍度以确保检测到每次交叉。

FS = 300;Gaitsignal = Helpergaitimport（'als1m'）;中弦（Gaitsignal（1，:)，FS，“宽容”，25）;XLIM（[030]）XLABEL（的样本数量）ylabel（“mV”）

中间交货正确识别过境点。现在用它来计算一组十名患者的步伐间时间。五名患者是对照科目，5名患者有ALS。使用每个患者的左脚记录，排除前八个交叉口以去除瞬态。

pnames = Helpergaitimport（）;为i = 1:10 gaitSignal = helperGaitImport(pnames{i});IND2 = midcross (gaitSignal (1:), Fs,'宽容'，25）;IST {i} = diff（Ind2（9：2：结束））;变老（i）= var（ist {i}）;结束

绘制跨步时间。

图持有上为i = 1：5 plot（1：长度（IST {i}），IST {i}，“。r”）绘图（1：长度（IST {I + 5}），IST {I + 5}，“。”）结束Xlabel（“跨数”）ylabel（“跨步间隔时间(秒)”)传说(“ALS”，'控制'）

ALS患者跨步时间的方差总体上更高。

测量行走模式的相似性

已经量化了步骤之间的距离，继续分析与这些步骤间变化的步态信号数据的形状。比较信号的两个段DTW.．理想的情况是，随着治疗或疾病的进展，人们会比较步态信号的形状。在这里，我们比较同一记录的两个片段，一个片段在记录的早期(sigsinitialleft.)，第二份在临近结束时(sigsFinalLeft）。每个段都包含六个步骤。

加载步态信号数据段。

负载PNGaitSegments.mat

在整个记录中，病人的行走速度并不相同。DTW.提供段之间的距离的度量，通过扭曲它们，使它们在时间上对齐。比较两个片段使用DTW.．

图dtw（sigsinitialleft {1}，sigsfinalleft {1}）;传奇（'早期细分'，后段的，'地点'，'东南'）

两段在时间上对齐。尽管患者的阶梯率随着时间的推移而变化，但在原始信号的偏移中可以看出，DTW.通过允许重复两段的样本来匹配两个段。距离通过DTW.以及跨越跨度的方差，将探索为步态信号分类器的特征。

构建特征向量以对信号进行分类

假设您正在构建一个分类器，以根据步态信号来决定患者是否健康。研究跨步时间的差异，特征1和距离通过DTW.在初始和最终信号段之间，特征2，作为分类功能。

特征1先前使用过中间交货．

feature1 = Varist;

提取ALS患者和对照组的特征2。

feature2 = 0 (10, 1);为i = 1：长度（sigsinitialleft）特征2（i）= dtw（sigsinitialleft {i}，sigsfinalleft {i}）;结束

绘制ALS受试者和控制主体的特征。

图绘制(feature1 (1:5), feature2 (1:5),'r *'，．..Feature1（6:10），Feature2（6:10），'b +'，．..'Markersize'10“线宽”，1）xlabel（“跨步时间的差异”）ylabel（“部分之间的距离”)传说(“ALS”，'控制'）

ALS患者似乎在其跨越时期具有更大的方差，但距离较小的距离DTW.间段。这些特征相互补充，可以用于分类器，如神经网络或支持向量机。金宝app

结论

中间交货和DTW.提供一种方便的方法来比较步态信号和其他由于运动或活动频率不同而不规则重复的生理数据。在本例中，步长时间是使用中间交货和段距离使用DTW.．这些是免费措施，如DTW.删除任何时间变化中间交货距离会衡量。作为特征，这两个度量标准显示了控制和ALS患者的分离。中间交货和DTW.同样可以用来检查其形状随着活动的功能而变化的其他生理信号。

参考

[1] Goldberger, A. L.， L. A. N. Amaral, L. Glass, J. M. Hausdorff, P. Ch. Ivanov, R. G. Mark, R. G. miietus, G. B. Moody, C.-K。彭和斯坦利。PhysioBank、PhysioToolkit和PhysioNet:复杂生理信号的新研究资源的组成部分。循环。Vol. 101, Number 23, 2000, pp. e215-e200。