公开(公告)号：CN117633482A

公开(公告)日：2024-03-01

申请号：CN202311493149.3

申请日：2023-11-10

Applicant: 华中科技大学

Inventor： 赵金 ,  陈乾泓 ,  任康 ,  芦楠楠 ,  凌云 ,  陈仲略 ,  张飞

IPC: G06F18/21 ,  A61B5/11 ,  G06F18/2415 ,  G06F18/2433 ,  G06F18/25 ,  G06F18/214 ,  G06F18/15 ,  G06N3/047 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明公开了一种基于深度学习网络的冻结步态识别方法及介质，属于冻结步态检测领域，包括：预处理所采集的人体行为传感器数据；根据所得行为数据中的正常步态数据，计算各时刻的异常指数；根据所得异常指数，计算各时刻的异常标签；根据公开行为数据，预训练行为识别模型；根据所得行为数据中的正常步态数据，微调所得行为识别模型；根据所得微调后的行为识别模型，计算每个时刻的分布外指数；根据所得分布外指数，计算各时刻的分布外标签；根据所得异常标签和分布外标签，构建高斯核函数，计算每个时刻的冻结指数；根据所得冻结指数，计算每个时刻的冻结步态标签。本发明能够脱离对冻结步态数据的依赖，提高泛化能力，提高冻结步态的识别精度。

公开(公告)号：CN118352058A

公开(公告)日：2024-07-16

申请号：CN202410379868.0

申请日：2024-03-29

Applicant: 华中科技大学

Inventor： 付艳 ,  张雨馨 ,  任康 ,  陈仲略 ,  凌云

IPC: G16H50/20 ,  A61B5/11 ,  A61B5/00 ,  G16H50/70 ,  G06F18/241 ,  G06F18/23213 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/088 ,  G06F123/02

Abstract: 本发明提供一种帕金森震颤识别方法，包括：采集多个受试者的震颤数据时序信号并进行重采样；对重采样的震颤数据时序信号进行标记并进行统一窗口裁剪，得到每一个受试者的震颤窗口数据，作为样本数据；对样本数据进行数据增强处理，对样本数据集进行增广；基于增广后的样本数据集对预设震颤识别模型进行训练；基于训练后的震颤识别模型对待测受试者的震颤数据时序信号的震颤结构进行识别和预测。本发明采用了数据增强技术，弥补了帕金森患者震颤数据无法进行大量采集的不足之处，从而扩大数据集的规模，提高震颤识别算法的准确性、可靠性；以及实现自动打标签的功能，免去了人工手动标记数据的工作，节省了数据的成本以及避免由人造成的主观性。

公开(公告)号：CN112057080B

公开(公告)日：2021-07-02

申请号：CN202010798417.2

申请日：2020-08-10

Applicant: 华中科技大学

Inventor： 赵金 ,  任康 ,  刘西华 ,  周洋 ,  凌云 ,  陈仲略

IPC: A61B5/11 ,  A61B5/00 ,  G06K9/00 ,  G06K9/62 ,  G06N20/00

Abstract: 本发明公开了一种基于分阶段特征提取的冻结步态检测系统，属于机器学习领域。包括：基于用户行走过程中采集到的原始加速度数据，构建有标签的样本集，样本为加窗处理后的加速度数据序列，标签表示样本属于正常步态还是冻结步态；对每个样本进行分阶段特征提取；使用PCA对步态特征集进行特征变换，得到低维新步态特征集，对低维新步态特征集进行特征选择，得到最优步态特征子集；使用最优步态特征子集训练基于机器学习的冻结步态检测模型；提取待测样本的分阶段特征，输入至训练好的冻结步态检测模型，得到冻结步态检测结果。本发明提取加速度信号中运动分量及冻结带，并对运动信号进行合成与分解，以充分发挥原始数据的潜在特征。

公开(公告)号：CN112057080A

公开(公告)日：2020-12-11

申请号：CN202010798417.2

申请日：2020-08-10

Applicant: 华中科技大学

Inventor： 赵金 ,  任康 ,  刘西华 ,  周洋 ,  凌云 ,  陈仲略

IPC: A61B5/11 ,  A61B5/00 ,  G06K9/00 ,  G06K9/62 ,  G06N20/00

Abstract: 本发明公开了一种基于分阶段特征提取的冻结步态检测方法和系统，属于机器学习领域。包括：基于用户行走过程中采集到的原始加速度数据，构建有标签的样本集，样本为加窗处理后的加速度数据序列，标签表示样本属于正常步态还是冻结步态；对每个样本进行分阶段特征提取；使用PCA对步态特征集进行特征变换，得到低维新步态特征集，对低维新步态特征集进行特征选择，得到最优步态特征子集；使用最优步态特征子集训练基于机器学习的冻结步态检测模型；提取待测样本的分阶段特征，输入至训练好的冻结步态检测模型，得到冻结步态检测结果。本发明提取加速度信号中运动分量及冻结带，并对运动信号进行合成与分解，以充分发挥原始数据的潜在特征。

公开(公告)号：CN119517425A

公开(公告)日：2025-02-25

申请号：CN202411644596.9

申请日：2024-11-18

Applicant: 华中科技大学

Inventor： 赵金 ,  金晓欢 ,  任康 ,  陈仲略 ,  凌云 ,  常思宇

IPC: G16H50/50 ,  G06F18/213 ,  G06F18/214 ,  G06F18/24 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种跨域帕金森震颤评估模型的构建方法及应用，属于人工智能技术领域；通过最小化总震颤分类损失，且最大化总域分类损失，同时对特征提取模块、震颤分类器、域分类器和权重分配器进行训练；训练完成后，构建包括级联的特征提取模块和震颤分类器的跨域帕金森震颤评估模型；其中，总域分类损失为源域和目标域的域分类损失之和，在计算不同域的域分类损失时，通过权重分配器为每一个域下的各训练样本分配权重后，对基于域分类器得到的各训练样本的域分类损失在样本层面上进行加权处理，充分利用了帕金森震颤传感器数据之间的不同，促进源域和目标域特征空间的对齐，使得所构建的模型能够准确地对帕金森震颤进行评估。