一种基于自适应增强的集成学习策略的冻结步态预测方法技术

本发明专利技术公开了一种基于自适应增强的集成学习策略的冻结步态预测方法，包括获取原始数据集，并进行预处理得到数据集；对预处理后的数据集进行划分；将处理后的训练样本赋予相同的预设样本权重，并输入基于自适应增强算法构建的多尺度卷积神经网络中，经过多次样本训练和样本权重的调整得到若干个弱分类器，并进行组合，最终得到一个冻结步态预测的强分类器。本发明专利技术通过构建多尺度卷积神经网络训练多个弱分类器，并利用集成学习策略将多个弱分类器组合成一个强分类器，建立冻结步态预测方法。从而解决预测模型关于少数类别的预测效果不佳的问题，提升了模型对少数类的预测准确率。提升了模型对少数类的预测准确率。提升了模型对少数类的预测准确率。

【技术实现步骤摘要】
Computational Intelligence(IEEE WCCI),Rio de Janeiro,BRAZIL,F Jul 08
‑
13,2018[C].Ieee:NEW YORK,2018.]是预测步态冻结最基础的一种方法，其目的是为了建立鲁棒性强并带有良好区分性的特征描述子。传统手工特征代表了专家对身体运动症状的专业知识，以及从原始信号及其时频表征中提取的数据驱动特征，可解释性强、易于调试。
[0006]深度学习相对于传统机器学习的优势在于可以自动化提取和学习数据中的特征，不需要人为进行特征计算与提取，以及可以处理非线性关系和大规模数据。其次，深度学习方法可以利用深层卷积神经网络获取具有更强语义信息的特征。CNN
‑
LSTM算法具有多维输入、提取高级特征、捕获长期依赖关系等优点，现已用于视频分析、人体行为分析、医学图像分析等多个领域。CNN
‑
LSTM算法[ZHANG Y,GU D.A deep convolutional
‑
recurrent neural network for freezing of gait detection in patients with Parkinson's disease；proceedings of the 2019 12th International Congress on Image and Signal Processing,BioMedical Engineering and Informatics(CISP
‑
BMEI),F,2019[C].IEEE.]使用卷积层自动提取特征，形成特征映射，使用循环LSTM层对特征映射的时间动态过程进行建模，该框架同时考虑了时间信息和深度特征。
[0007]现有技术的不足之处在于，数据增强：数据增强有可能增加噪声和不准确性，导致模型训练产生偏差；增强后的数据可能与真实数据有所不同，生成一些没有提供有效信息的样本，造成模型训练复杂度加大，影响模型的泛化能力；可能会增加计算资源和训练时间。
[0008]基于传统手工特征的方法：对于传统手工特征的计算和选择，不容易找到最佳特征，而且当数据集发生变化时，特征可能需要进行调整和更新，不能自适应新任务，需要大量时间和人力成本；创建手工特征时很难考虑所有的因素和情况，难以处理高维度数据，特征范围可能会限制模型的表现和泛化能力。
[0009]基于深度学习的方法：首先，深度学习需要大量的数据进行训练，否则可能导致模型的泛化能力不足，即在新的数据上表现出较差的性能；其次，训练时间长，因为其需要对大量数据进行反复的迭代训练，并且如果模型过于复杂，训练时间会更长；可解释性比较差，深度学习因训练出多层权重和偏差，使得内部的神经元难以进行有效的解释；对于突发事件和数据变化的适应能力较弱。

技术实现思路

[0010]本专利技术的目的克服现有技术存在的不足，为实现以上目的，采用一种基于自适应增强的集成学习策略的冻结步态预测方法，以解决上述
技术介绍
中提出的问题。
[0011]一种基于自适应增强的集成学习策略的冻结步态预测方法，包括以下步骤：
[0012]步骤S1、获取步态信号的原始数据集，并进行预处理，得到预处理后的步态信号的数据集；
[0013]步骤S2、基于分层抽样对预处理后的数据集依据预设比例划分为训练样本和测试样本；
[0014]步骤S3、将处理后的训练样本赋予相同的预设样本权重，并输入基于自适应增强算法构建的多尺度卷积神经网络中，经过多次样本训练得到第一个弱分类器，以及分类结果；
[0015]步骤S4、根据训练得到的第一个弱分类器，以及分类结果，对样本权重进行调整，重新训练得到一个新的弱分类器，重复步骤S3和S4，得到若干个弱分类器；
[0016]步骤S5、基于集成学习算法将得到的若干个弱分类器进行组合，最终得到一个冻结步态预测的强分类器。
[0017]作为本专利技术的进一步的方案：所述步骤S1中具体步骤包括：
[0018]数据排除：获取步态信号的原始数据集，并排除非实验部分的数据；
[0019]标准化处理：对数据集中的每个患者步态信号进行每个患者的特异性Z分数标准化处理；
[0020]信号分割：将每次样本类别FoG发作前5秒重新标注为样本类别pre
‑
FoG，其中，样本类别为Walk、FoG，以及pre
‑
FoG，所有患者的步态信号整合，并将步态信号分割为时长为1秒的信号片段。
[0021]作为本专利技术的进一步的方案：所述步骤S2中数据集依据预设比例划分为训练样本和测试样本的具体步骤为：
[0022]采用分层抽样，选取80％预处理后的数据集的样本作为训练样本，用于模型训练，以及选取20％预处理后的数据集的样本作为测试样本，用于模型测试。
[0023]作为本专利技术的进一步的方案：所述步骤S3中具体步骤包括：
[0024]获取处理后依据预设比例划分的训练样本；
[0025]将相同的样本权重赋予训练样本中的每个样本，将具有样本权重的每个样本输入基于自适应增强算法构建的多尺度卷积神经网络训练网络模型，其中，多尺度卷积神经网络的主干网络是由多尺度卷积模块构成的残差网络组成；
[0026]再经过多层卷积，得到第一个弱分类器；
[0027]再根据前一个弱分类器的分类结果，通过提高数据集中容易被错误分类的少数类样本的样本权重，用于训练下一个弱分类器的过程。
[0028]作为本专利技术的进一步的方案：所述步骤S3中基于自适应增强算法构建的多尺度卷积神经网络的具体步骤包括：
[0029]将经过预处理的步态信号输入到卷积核大小为7的一维卷积层，提取信号特征，之后将提取的特征依次输入到批处理归一化层和池化层；
[0030]最后采用由多个卷积模块组成的主干网络提取信号特征，其中采用多尺度卷积模块构成残差网络。
[0031]作为本专利技术的进一步的方案：所述采用由多个卷积模块组成的主干网络提取信号特征的具体步骤包括：
[0032]通过使用一个卷积核大小为1的一维卷积层提取信号特征，然后将其分别送至卷积核为1和3的一维卷积层进一步提取不同大小的信号特征，最后将不同尺度的信号特征进行融合。
[0033]作为本专利技术的进一步的方案：所述步骤S5中具体步骤包括：
[0034]基于自适应增强的集成学习算法的样本权重更新策略公式为：
[0035][0036]其中，是第m个卷积神经网络使用的第i个训练样本的权重，α是学习率，K为样
本类别总数，γ
i
是对应于第i个训练样本的标签向量，P
m
(x
i
)是第m个卷积神经网络响应第i个训练样本的输出向量，N为样本总数。
[0037]与现有技术相比，本专利技术存在以下技术效果：
[0038]采用上述的技术方案，通过基于自适应增强算法的多尺度卷积神经网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自适应增强的集成学习策略的冻结步态预测方法，其特征在于，包括以下步骤：步骤S1、获取步态信号的原始数据集，并进行预处理，得到预处理后的步态信号的数据集；步骤S2、基于分层抽样对预处理后的数据集依据预设比例划分为训练样本和测试样本；步骤S3、将处理后的训练样本赋予相同的预设样本权重，并输入基于自适应增强算法构建的多尺度卷积神经网络中，经过多次样本训练得到第一个弱分类器，以及分类结果；步骤S4、根据训练得到的第一个弱分类器，以及分类结果，对样本权重进行调整，重新训练得到一个新的弱分类器，重复步骤S3和S4，得到若干个弱分类器；步骤S5、基于集成学习算法将得到的若干个弱分类器进行组合，最终得到一个冻结步态预测的强分类器。2.根据权利要求1所述一种基于自适应增强的集成学习策略的冻结步态预测方法，其特征在于，所述步骤S1中具体步骤包括：数据排除：获取步态信号的原始数据集，并排除非实验部分的数据；标准化处理：对数据集中的每个患者步态信号进行每个患者的特异性Z分数标准化处理；信号分割：将每次样本类别FoG发作前5秒重新标注为样本类别pre
‑
FoG，其中，样本类别为Walk、FoG，以及pre
‑
FoG，所有患者的步态信号整合，并将步态信号分割为时长为1秒的信号片段。3.根据权利要求1所述一种基于自适应增强的集成学习策略的冻结步态预测方法，其特征在于，所述步骤S2中数据集依据预设比例划分为训练样本和测试样本的具体步骤为：采用分层抽样，选取80％预处理后的数据集的样本作为训练样本，用于模型训练，以及选取20％预处理后的数据集的样本作为测试样本，用于模型测试。4.根据权利要求1所述一种基于自适应增强的集成学习策略的冻结步态预测方法，其特征在于，所述步骤S3中具体步骤包括...

【专利技术属性】
技术研发人员：夏懿，孙华，方永康健，
申请(专利权)人：安徽大学，
类型：发明
国别省市：