构建基于小波熵的自训练半监督支持向量机分类模型评价老年人步态

研究应用半监督学习算法分析未标注步态数据评价老年人步态,提出基于小波熵的自训练半监督支持向量机步态分类模型,通过小波熵从未标注步态数据中选取为每次自训练步态分类模型所需最具信息量的标注样本,有效获取步态数据类别间和步态数据内在的“有价值”的步态变异信息,提高步态分类器的泛化性能.首先采用10名老年人和10名青年人步态数据构建支持向量机分类模型,然后对120名不同年龄组未标注步态数据分类预测,依据小波熵选取样本数据,逐步添加更新步态样本训练集,自训练支持向量机分类模型.实验结果表明,本算法较准确鉴别青年和老年人步态模式(分类正确率90％),比基于有监督学习的支持向量机步态分类算法正确率提高近5％,有效改善支持向量机步态分类算法性能,有望为临床提供一个评价老年人步态的新方法.     

用小波熵评价人体步态变化

目的 将小波熵应用于步态数据量化分析,探寻新的评价人体步态功能变化的特征参数.方法 运用 Bertec三维测力系统,采集10名青年被试者和10名老年被试者的足-地反作用力步态数据,采用离散正交小波变换分解被试组步态数据,定义相对小波能量和小波熵,用t-检验法分别检验基于两个被试组步态数据的相对小波能量及小波熵的差异,来评价人体步态功能变化.结果 基于两个被试组步态数据的相对小波能量差异显著;基于老年被试组步态数据的小波熵值明显低于基于青年被试组步态数据的小波熵值,显著性水平值P<0.05,基于两个被试组步态数据的小渡熵具有显著差异.结论 相对小波能量可提供步态数据中与人体步态功能内在变化相关的细节信息,小波熵能够表征人体步态内在动态变化程度,有望成为临床上可有效评估人体步态功能变化的特征参数.