测量跨时间间隔

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。

测量行走模式的相似性

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。

构造特征向量对信号进行分类

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

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，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。

参考文献

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。