运动行为和认知能力的关联分析方法及系统技术方案

本发明专利技术提供一种运动行为和认知能力的关联分析方法。该方法包括：从运动行为数据中提取反映行为特点的运动特征集；采用迭代随机森林从所述运动特征集中选出用于检测认知能力的最优特征子集；利用所述最优特征子集采用分类器获得运动行为和认知能力的关联分析结果。根据本发明专利技术的方法，能够有效的分析运动行为和认知能力的关联，尤其对于小样本不均衡的数据集，能够提高认知障碍患者的识别率。

Association analysis method and system for exercise behavior and cognitive ability

The present invention provides an association analysis method for sport behavior and cognitive ability. The method includes: extracting motion features reflect the behavior features from motion data set; using iterative random forest from the motion features selected for optimal feature subset of cognitive ability test; correlation using the optimal feature subset obtained by a classifier exercise behavior and cognitive analysis. The method according to the invention can effectively analyze the association between exercise behavior and cognitive ability, especially for imbalanced data sets of small samples, and can improve the recognition rate of patients with cognitive impairment.

【技术实现步骤摘要】
运动行为和认知能力的关联分析方法及系统
本专利技术涉及机器学习领域，尤其涉及进行运动行为与认知能力关联分析的方法及系统。
技术介绍
神经退行性疾病(Neurodegenerativedisease)是威胁老年人生命健康的重大慢性疾病之一。传统的医学观点将神经退行性疾病分为两大类：一类是认知障碍疾病，这类疾病患者可能有记忆、语言或记忆力方面的障碍，而其运动功能是保留的；另一类是运动障碍疾病，这类疾病患者运动功能受损而认知功能却是完全保留的。近年来多个临床医学研究表明，认知障碍通常会伴随着运动功能混乱，而运动功能障碍也常常伴随有认知功能紊乱。在现有技术中，在认知能力评估中，很少存在有效进行运动行为评估的工具，例如，爱丁堡运动评估(EdinburghMotorAssessment)主要应用于老年痴呆疾病的诊断，为认知障碍评估提供了简单的运动行为监测工具。又如，共济失调评定量表(SARA)以及统一帕金森评定量表(UPDRS)是目前认知障碍检测中被大家广泛接受的几种行为评估量表。然而，这些行为评测的结果通常是由医护人员进行记录和分析的，从而带来了一系列的问题，例如，测试记录工作十分繁琐，加重了医护人员的工作负担，以及医护人员的主观性通常影响行为评估测试的分析结果。此外，为了将运动行为与认知能力之间的关联分析自动化、客观化，计算机领域与医学领域的研究人员进行了很多共同的尝试。例如，将加速度、陀螺仪、磁力计等可穿戴传感器以及三维摄像机、智能手机等不同的传感器设备用来收集运动行为数据；将机器学习方法应用于运动行为与认知能力的关联分析等。然而，现有技术中的这些方法在通用性、针对性以及适用性方面尚存在一些不足。例如，由于在运动行为与认知能力的关联分析中，通常很难大规模采集数据，并且由于认知障碍患者数目通常远远小于非认知障碍患者，采集的数据还具有不均衡性的特点，传统的机器学习算法通常不适合具有不均衡特性的小样本数据集，因此，导致小类别(认知障碍患者)的识别精确度不高等问题。
技术实现思路
因此，本专利技术的目的在于克服上述现有技术的缺陷，提供一种针对不均衡小样本数据集的运动行为与认知能力之间的关联分析方法，为挖掘运动行为与认知疾病之间的关联关系提供通用有效的手段。根据本专利技术的第一方面，提供了一种运动行为和认知能力的关联分析方法。该方法包括：步骤1：从运动行为数据中提取反映行为特点的运动特征集；步骤2：采用迭代随机森林从所述运动特征集中选出用于分析认知能力的最优特征子集；步骤3：利用所述最优特征子集采用分类器获得运动行为和认知能力的关联分析结果。在一个实施例中，步骤2包括：步骤21：通过多次重复随机采样将所述运动特征集划分为多个训练集和多个测试集；步骤22：根据所述多个训练集构建多个随机森林；步骤23：在所述多个测试集上检验所构建的随机森林的性能，根据每个特征出现在随机森林的个数和在随机森林中出现的频率选出一部分重要特征；步骤24：根据所述一部分重要特征重新构建随机森林，重复步骤22和步骤23进行迭代，以选出用于认知能力分析的最优特征子集。在一个实施例中，在步骤23中，采用下式来选择所述一部分重要特征：每个特征fj出现的随机森林个数Nj；和每个特征fj在随机森林中出现的频率Fj；其中，和分别表示在S个随机森林的B棵树中分裂属性为fj的内部节点数目以及所有内部节点的个数。在一个实施例中，步骤24包括：将与预设阈值进行比较，其中，n(t)为当前第t次迭代的特征数目，如果r大于所述阈值，则继续进行迭代并将下一次迭代的特征数目n(t+1)设置为r；如果r小于所述阈值，则终止迭代并选择当前的n(t)个特征作为最优特征子集。在一个实施例中，步骤3包括以所述最优特征子集作为输入向量，以是否患有认知能力疾病或认知能力等级作为目标向量，利用加权极限学习机来获得运动行为和认知能力的关联分析结果。在一个实施例中，所述运动行为数据使用Kinect、智能手机、智能手表、肌电仪采集获得。在一个实施例中，所述运动特征集包括步态特征、灵活度特征和平衡性特征。在一个实施例中，采用分类精度、灵敏度、特异性或几何均值来衡量所述迭代随机森林的性能。根据本专利技术的第二方面，提供了一种运动行为和认知能力的关联分析系统。该系统包括：用于从运动行为数据中提取反映行为特点的运动特征集的装置；用于采用迭代随机森林从所述运动特征集中选出用于检测认知能力的最优特征子集的装置；用于利用所述最优特征子集采用分类器获得运动行为和认知能力的关联分析结果的装置。在一个实施例中，本专利技术的系统还包括：用于通过多次重复随机采样将所述运动特征集划分为多个训练集和多个测试集的装置；用于根据所述多个训练集构建多个随机森林的装置；用于在所述多个测试集上检验所构建的随机森林的性能，根据每个特征出现在随机森林的个数和在随机森林中出现的频率选出一部分重要特征的装置；用于根据所述一部分重要特征重新构建随机森林进行迭代，以选出用于认知能力分析的最优特征子集的装置。与现有技术相比，本专利技术的优点在于，能够有效地分析运动行为和认知能力之间的关联关系，尤其对于小样本不均衡的数据集，能够提高认知障碍患者的识别率。附图说明以下附图仅对本专利技术作示意性的说明和解释，并不用于限定本专利技术的范围，其中：图1示出了根据本专利技术一个实施例的运动行为和认知能力关联分析的方法流程图。图2示出了根据本专利技术一个实施例的迭代随机森林方法的示意流程图。图3示出了具有L个隐层节点的单隐层前向神经网络的极限学习机的结构。具体实施方式为了对本专利技术的技术特征、目的和效果有更加清楚的理解，现参照附图对本专利技术提出的运动行为和认知能力的关联分析方法作进一步详细说明。图1示出了根据本专利技术一个实施例的运动行为和认知能力关联分析的方法流程图。具体包括以下步骤：第一步、获取运动行为数据用于采集运动行为数据的设备有多种，例如，最常用的设备包括Kinect、智能手机、智能手表、肌电仪等。使用者可根据不同种类的认知疾病、采集目的等确定所要采集的运动行为种类，并选择适合的数据采集设备。例如，根据统一帕金森评定量表采集与帕金森疾病相关的运动行为；根据Tinetti运动测试(TMT，TinettiMobilityTest)量表采集与脑部损伤(例如中风等)有关的运动行为采集到的运动行为数据可以呈现为不同的形式，例如，智能手表和智能手机以文本形式记录用户的加速度等运动数据；Kinect以图像的形式采集用户的骨骼数据，Kinect包含深度传感器和RGB摄像头，其采集到的数据主要分为两部分：深度传感器数据和RGB摄像头数据。其中，RGB摄像头数据可以用于动作的分割和标定，深度传感器数据则可以用于获取每种运动行为的骨骼关节坐标。第二步、从运动行为数据中提取运动特征运动行为特征提取的目的是，挖掘所获取的原始运动行为数据中的隐藏信息，从而挖掘运动行为与认知能力之间的潜在关联。通常，运动行为特征可分为两类：信号相关特征以及行为相关特征。信号相关特征主要从物理学角度分析数据的潜在特性，通常包括时域特征和频域特征，时域特征指所有与时间相关的特征，例如，均值、方差、过零率、最大值和最小值等。频域特征通常用于发现信号的周期特性，例如，直流分量、幅度以及功率谱密度等。而运动行为相关特征更侧重于挖掘动作的潜在属性本文档来自技高网...

【技术保护点】
一种运动行为和认知能力的关联分析方法，包括：步骤1：从运动行为数据中提取反映行为特点的运动特征集；步骤2：采用迭代随机森林从所述运动特征集中选出用于分析认知能力的最优特征子集；步骤3：利用所述最优特征子集采用分类器获得运动行为和认知能力的关联分析结果。

【技术特征摘要】
1.一种运动行为和认知能力的关联分析方法，包括：步骤1：从运动行为数据中提取反映行为特点的运动特征集；步骤2：采用迭代随机森林从所述运动特征集中选出用于分析认知能力的最优特征子集；步骤3：利用所述最优特征子集采用分类器获得运动行为和认知能力的关联分析结果。2.根据权利要求1所述的方法，其中，步骤2包括：步骤21：通过多次重复随机采样将所述运动特征集划分为多个训练集和多个测试集；步骤22：根据所述多个训练集构建多个随机森林；步骤23：在所述多个测试集上检验所构建的随机森林的性能，根据每个特征出现在随机森林的个数和在随机森林中出现的频率选出一部分重要特征；步骤24：根据所述一部分重要特征重新构建随机森林，重复步骤22和步骤23进行迭代，以选出用于认知能力分析的最优特征子集。3.根据权利要求2所述的方法，其中，在步骤23中，采用下式来选择所述一部分重要特征：每个特征fj出现的随机森林个数Nj；和每个特征fj在随机森林中出现的频率Fj；其中，和分别表示在S个随机森林的B棵树中分裂属性为fj的内部节点数目以及所有内部节点的个数。4.根据权利要求2所述的方法，其中，步骤24包括：将与预设阈值进行比较，其中，n(t)为当前第t次迭代的特征数目，如果r大于所述阈值，则继续进行迭代并将下一次迭代的特征数目n(t+1)设置为r；如果r小于所述阈值，则终止迭代并选择当前的n(...

【专利技术属性】
技术研发人员：陈益强，胡春雨，忽丽莎，谢涛，王晋东，
申请(专利权)人：中国科学院计算技术研究所，
类型：发明
国别省市：北京,11