这个例子展示了如何使用这些函数midcross
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步幅间隔时间是不同的。midcross
提供了一种方便的方法来计算这些时间。人们也会随着时间的推移而改变他们的行走速度。dtw
提供了一种方便的方法来定量比较步态信号的形状,通过弯曲来及时对齐它们。这个示例使用midcross
定位步态信号中的每一步dtw
计算步态信号段之间的距离。这些结果作为信号分类的潜在特征被检验。虽然这个例子是特定于步态信号,但其他生理信号,如心电图(ECG)或光容积图(PPG),也可以使用这些功能进行分析。
正在分析的数据集包含肌萎缩性侧索硬化症(ALS)患者和对照组步行过程中收集的力数据。肌萎缩性脊髓侧索硬化症(ALS)因卢·葛雷克(Lou Gehrig)、史蒂芬·霍金(Stephen Hawking)和2014年的“冰桶挑战”而出名。
加载并绘制一个病人前30秒的步态信号数据。
helperGaitPlot (“als1m”);xlim (30 [0])
这个数据集表示脚对力敏感电阻施加的力。力的单位是毫伏。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有一个特点,即当脚撞击并离开地面时,力的急剧变化。使用midcross
发现肌萎缩性侧索硬化症患者的这些急剧变化。
使用midcross
找出并绘制出ALS患者左脚的每个交叉点的位置。选择25%的公差,以确保每个杂交都被检测到。
Fs = 300;gaitSignal = helperGaitImport (“als1m”);: midcross (gaitSignal (1), Fs,“宽容”25);xlim(30[0])包含(的样本数量) ylabel (“mV”)
midcross
正确识别交叉。现在用它来计算一组10个病人的跨步时间。5名患者是对照组,5名患者患有肌萎缩性侧索硬化症。使用每个患者的左脚记录,排除前8个交叉部位以移除瞬变物。
pnames = helperGaitImport ();为i = 1:10 gaitSignal = helperGaitImport(pnames{i});IND2 = midcross (gaitSignal (1:), Fs,“宽容”25);我是{}= diff (IND2(九:结束));varIST (i) = var (IST{我});结束
绘制跨步时间。
图保存在为图1:length(IST{i}),IST{i},“。r”)的阴谋(1:长度(是{我+ 5}),是{我+ 5},“。”)结束包含(“跨数”) ylabel (“步间时间(秒)”)传说(“ALS”,“控制”)
肌萎缩性侧索硬化症患者跨步时间的方差总体较高。
在量化了步间距离后,继续分析独立于这些步间变化的步态信号数据的形状。比较两段信号使用dtw
.理想情况下,随着治疗或疾病的进展,人们可以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,其中一个片段是在记录早期拍摄的(sigsInitialLeft
),第二个是接近结尾的(sigsFinalLeft
).每个部分包含六个步骤。
加载步态信号数据段。
负载PNGaitSegments.mat
在整个记录中,病人的行走速度并不相同。dtw
提供分段之间距离的度量,通过将分段弯曲以及时对齐它们。比较两个部分使用dtw
.
sigsFinalLeft图dtw (sigsInitialLeft {1}, {1});传奇(“早期段”,后段的,“位置”,“东南”)
这两段在时间上对齐。虽然患者的步进率似乎随时间而变化,从原始信号的偏移可以看出,dtw
通过允许任意一个片段的样本重复匹配两个片段。通过的距离dtw
,以及跨间时间的方差,将作为步态信号分类器的特征进行探讨。
假设您正在构建一个分类器,以根据步态信号判断患者是否健康。考察跨步时间的方差,feature1
,距离通过dtw
在初始和最终信号段之间,feature2
,作为分类特征。
特性1以前是用midcross
.
feature1 = varIST;
提取ALS患者和对照组的特征2。
feature2 = 0 (10, 1);为i = 1:length(sigsInitialLeft) feature2(i) = dtw(sigsInitialLeft{i},sigsFinalLeft{i});结束
绘制肌萎缩性侧索硬化症患者和对照组的特征图。
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(“跨步时间的方差”) ylabel (“段之间的距离”)传说(“ALS”,“控制”)
肌萎缩性侧索硬化症患者的跨步时间差异似乎更大,但通过dtw
间段。这些特征相互补充,可以在神经网络或支持向量机等分类器中探索使用。金宝app
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,这些数据由于不同的运动或活动速度而随时间不规则地重复。在本例中,使用midcross
段距离的计算采用dtw
.这些都是有益的措施dtw
删除了任何时间变化midcross
距离测量。作为特征,这两个指标显示了该数据集中对照组和ALS患者之间的分离。midcross
和dtw
同样可以用来检测其他生理信号,这些信号的形状随活动而变化。
A. L. Goldberger, A. L. A. N. Amaral, L. Glass, J. M. Hausdorff, P. Ch. Ivanov, R. G. Mark, R. G. miietus, G. B. Moody, C.-K。彭,还有h·e·斯坦利。“PhysioBank, PhysioToolkit和PhysioNet:复杂生理信号新研究资源的组成部分”循环。Vol. 101, no . 23, 2000, pp. e215-e200。