基于平衡板使用者健康狀態動態監測方法技術

本發明專利技術公開了一種基于平衡板使用者健康狀態動態監測方法。現有的方法不能夠及時有效的解決使用者健康狀態監測問題且處理程序繁瑣。本發明專利技術首先采集wii平衡板使用者的訓練數據，接著對數據進行預處理，然后提取處理后的數據的語義特征，接著用此語義特征作為觀測量進行正常狀態知識的累積即HMM的訓練，最后利用獲取的模型和語義特征進行健康狀態變化的判斷。本發明專利技術利用基于平衡板使用者健康狀態動態監測算法，實現快速精確監測，邊監測邊訓練邊累積正常狀態知識的目的，并較好地解決了使用者健康狀態未知情況下的監測問題，從而將使監測更加智能。

【技術實現步驟摘要】

本專利技術屬于數據異常檢測
，具體涉及一種
技術介紹
國內外學者一直在探索各種人體平衡功能障礙的檢測手段，發展了多種對人體平衡功能障礙進行檢測的方法。傳統的平衡功能檢測方法是觀察法臨床最早建立的Romberg實驗法，又名閉目站立試驗法，他是用肉眼觀察受檢者在兩足并攏直立情況下，睜目艮、閉眼時身體搖晃情況。1966年,Graybie改進了 Romberg試驗中單純的雙足并攏直立試驗，他在臨床上開始使用單腿直立實驗法及強化的Romberg試驗法，具體方法就是前者要求受檢者在30s內單腿直立，先睜眼，后閉眼；后者則是在60s內使受檢者兩足一前一后，足尖接足跟的直立方式，因前者負重面積及支撐面小，其難度大于后者，而后者所需的技巧比原有的Romberg試驗法高。以上這些目測法只能定性地進行評定，難作定量分析。后來逐漸改善了這種檢測方法，進一步的引入了量表評定法在大多目前國外臨床上常用的平衡表主要有Berg平衡表、Tinetti量表、“站起一走”測試、功能性前伸及跌倒危險指數等。這些檢測盡管帶有定量性質，但仍屬功能的綜合評估，帶有主觀性，缺乏對平衡障礙的搖擺特點深入細致的分析，所以其應用價值有限。平衡功能測試儀檢查法繼Romberg試驗后，Balser在1929年用天平的指針擺動表示人體重心移動情況。Thomas改彈簧秤測量為電應力刻度傳感器測量；1939年Hellebrandt使用一種活動平臺研究了站立時身體重心的動搖；1976年Terekhov首先應用壓力平板即固定平板評定平衡功能,記錄了人體重心在平面的連續變化圖形及軌跡平衡功能重心擺動檢查，為我們研究平衡功能提供了一個新的手段。它可以檢查中樞神經系統的功能，可以減刑眩暈、平衡功能障礙疾病的診斷，隨著計算機技術的發展，實現平衡功能監測的方法多種多樣，平衡功能監測也逐漸轉向了用于醫療和保健，而同時隨著Wii平衡板的問世，使平衡功能監測用作日常保健成為了現實，不再使平衡功能單一的成為醫療診斷的一種方式。通過Wii平衡板使用者可以在日常的玩游戲過程中同時監測自己的健康狀態，完全不必刻意的去進行健康狀態的監測，減輕了使用者的經濟和心里雙重負擔，基于此，這種健康監測方式在未來應有更為廣闊的使用空間。
技術實現思路
為了能更加智能，快速，準確的監測出使用者健康狀態的變化，即使操作方法更為簡單同時又能更加快速準確的監測，本專利技術提出了基于Wii平衡板使用者健康狀態監測方法。該方法具體思路如下首先每次采集使用者使用Wii平衡板產生的訓練數據；然后對數據進行預處理得到更加準確且能夠進行LDA處理的數據形式，然后通過LDA提取數據的語義特征，將得到的語義特征視為HMM的觀測量，然后訓練出數據的先驗知識庫即HMM模型，同時計算該觀測量在上次保留的HMM監測模型下的數據產生概率值，并計算該概率值與前一次獲取的數據產生概率值之差，若差值的絕對值小于更新因子的絕對值，則視為使用者的健康未發生變化，并將該數據產生概率值與前面保留的數據產生概率值進行相加，以便用來更新更新因子，同時將本次數據訓練出的HMM模型作為下次使用者產生數據的監測模型和訓練的基礎模型。反之，則代表著使用者的健康狀態發生了變化，可以記錄本次異常，同時舍棄本次的數據產生概率值和HMM模型。不斷的重復這個過程，就會將使用者的健康信息進行累記積，若某天使用者產生數據的概率值減去上一次所獲的數據產生概率值之差的嚴重偏離了更新因子的絕對值，則表明該使用者的健康發生了變化，這時可以提醒使用者進一步到醫院進行專門的檢查。為了方便描述本專利技術的內容，首先作以下術語定義:定義I詞匯詞匯一般定義是一篇文檔或者語言里所有的詞和固定短語的總和，本專利技術定義是將使用者產生的平衡數據經過處理后得到的數據形式視為詞匯。定義2語義特征語義特征是一篇文檔中能夠描述這篇文檔主題分布的參數。本專利技術定義為能夠最佳代表每個使用者平衡能力信息數據的量。定義3數據產生概率值假設使用者第η-l天產生的數據經過LDA提取出語義特征為Olri且由它訓練出的HMM模型為Xiri，同時上次獲取的HMM模型λη_2被保留下來，那么使用者第η-l天產生的訓練數據經過LDA提取語義特征Olri在λ n_2下產生的概率P (Olri I λη_2)被定義為語義特征Olri在模型λ η_2下的數據產生概率值，并規定第一次使用者產生數據提取的語義特征訓練出的模型下該語義特征產生的概率P (Otl I A0)為初始數據產生概率值。定義4更新因子假設使用者N天的使用中，有m項數據產生概率值被保留了下來，設這m項數據產生概率值為=P(C)11 λ。)，P (O41 λ 3)，…P (OnI Xiri),相加后取m項數據產生概率值的均值為:本文檔來自技高網...

【技術保護點】
基于平衡板使用者健康狀態動態監測方法，其特征在于該方法的具體步驟是：步驟一：平衡數據采集，具體是：平衡板四個角的壓力傳感器感受到壓力的作用，產生四路電壓信號，將這四路電壓信號經過計算可得出使用者壓力重心在平衡板的投影位置，四個傳感器的位置坐標為???????????????????????????????????????????????，為了得到大量的訓練數據，將相鄰兩個傳感器產生數據進行差分處理，得到AB兩個位置坐標的差分數據，AC位置坐標的差分數據，?CD?位置坐標的差分數據，AD位置坐標的差分數據?，表示A位置的x減去B位置的x的差值，表示A位置的y減去B位置的y的差值，表示B位置的x減去C位置的x的差值，表示B位置的y減去C位置的y的差值，表示C位置的x減去D位置的x的差值，表示C位置的y減去D位置的y的差值，表示A位置的x減去D位置的x的差值，表示A位置的y減去D位置的y的差值；同時將獲取的差分數據進行均方差處理：?其中表示四個坐標位置的x值的均值，表示四個坐標位置的y值的均值，表示四個坐標位置的x值的均方差，表示四個坐標位置的y值的均方差，?表示均方差位置坐標；將上述獲取的9組數據，，，，，，，，組成9維的訓練數據data：步驟二：數據的預處理，具體是：將得到訓練數據data，通過數據清洗去掉噪聲和無關的數據，通過數據變換將數據轉化成為適合信息處理的形式，即處理為LDA可以使用的文檔形式；步驟三：LDA提取數據語義特征?，具體是：LDA將每個文檔表示為一個主題混合，每個主題是固定詞表上的一個多項式分布；LDA假設文檔由一個主題混合產生，同時每個主題是在固定詞表上的一個多項式分布；這些主題被集合中的所有文檔共享；每個文檔有一個特定的主題混合比例，其從Dirichlet分布中抽樣產生；作為一種生成式文檔模型，用LDA提取文檔的隱含語義結構和文檔表征已經成功地應用到很多文本相關的領域；具體來說生成LDA生成過程如下：1）選擇N，N服從分布，N表示每篇文檔的詞匯量；2）選擇，服從分布，是主題先驗參數，是的先驗分布；3）選擇主題參數，服從分布；4）選擇詞匯參數，服從分布，其中是主題詞項分布矩陣；主題模型的推理是生成文檔的逆向過程，已知和先驗分布，根據文檔生成過程可以寫出各種隨機變量、和的聯合概率，其中，表示文檔集合，表示主題，表示各個詞匯，其下標表示此詞匯是第多少個詞匯；其中M表示文檔數目，是第m篇文檔的主題分布；對主題先驗參數進行積分得到，則根據貝葉斯公式，其中，表示除第篇文檔中第篇詞匯所對應的主題詞，表示除第篇文檔中第篇詞匯所對應的主題詞以外，其它所有的已知文檔中的詞匯所對應的主題詞，表示文檔詞匯；上式可用來完成主題參數的估計，即確定其對應的具有語義特征的關鍵詞；給定和情況下，主題先驗參數、主題以及每篇文檔詞匯的聯合分布可以表示為：其中，整合?和，得到一個詞匯的邊緣分布：依據上面的邊緣分布，得到M篇文檔概率分布為：其中，D代表M篇文檔集合，表示第篇文檔標簽序號；然后計算給定一篇文檔條件下隱藏變量的后驗分布，公式如下所述：此后驗分布采用變分EM算法進行推理可得到，取Q分布的函數去逼近，其中Q分布的形式如下：?其中?表示狄利克雷參數，表示多項式參數，表示多項式的第n個參數；??????????????????????????????為了得到最佳的變分參數將變分分布和真實分布之間的KL散度最小化，最小值可以通過迭代的方法獲得；通過推導可得到和的迭代公式：????????????????????????????????????其中：，表示在條件下的條件概率期望值，是對數伽瑪函數，是條件多項式參數，表示第i次迭代時的狄利克雷參數；更新Dirichlet參數用的是Newton?Raphson方法；通過上述的推理，得到新參數的估計值，其中攜帶了是每次使用者產生平衡數據組成文檔的語義特征；這樣就完成了LDA提取數據的語義特征的過程；步驟四：正常狀態知識的訓練，具體是：HMM異常檢測包含兩個部分，前一個部分是對事件的評估，后一部分是參數的學習，參數學習就是模型參數未知，求最佳模型參數的問題；將使用者產生的數據組成的數據文檔的語義特征視為HMM模型的觀測量；隱馬爾可夫模型的第三個問題是如何根據觀察序列，求得模型參數或調整模型參數，使得最大；而第三個問題是通過前向?后向算法解決的；前向?后向算法首先定義兩個變量，給定觀察序列O和隱馬爾可夫模型，定義t時刻位于隱藏狀態的概率變量為：；根據前向變量和后向變量的定義，將上式子用前向，后向變量表示：?其中...

【技術特征摘要】
1.基于平衡板使用者健康狀態動態監測方法，其特征在于該方法的具體步驟是: 步驟一:平衡數據采集，具體是:平衡板四個角的壓力傳感器感受到壓力的作用，產生四路電壓信號，將這四路電壓信號經過計算可得出使用者壓力重心在平衡板的投影位置，四個傳感器的位置坐標為了得到大量的訓練數據，將相鄰兩個傳感器產生數據進行差分處理，得到AB兩個位置坐標的差分數據位置坐標的差分數據1^(^1:13;4%), CD位置坐標的差分數據Ι^(Δ%，...

【專利技術屬性】
技術研發人員：郭春生，岳猛，胡典榮，徐俊，董秀青，
申請(專利權)人：杭州電子科技大學，
類型：發明
國別省市：