公开(公告)号：CN109770913A

公开(公告)日：2019-05-21

申请号：CN201910064053.2

申请日：2019-01-23

Applicant: 复旦大学

Inventor： 殷书宝 ,  陈炜 ,  朱航宇 ,  王心平

IPC: A61B5/11

Abstract: 本发明属于生物特征识别技术领域，具体为一种基于反向传播神经网络的步态异常识别方法。其包括：利用穿戴于人体的IMU采集人体正常行走以及模拟典型异常步态行走时的信号，得到不同步态下的三轴加速度信息；根据目标典型行走步频将原始数据做开窗切割预处理并根据步态类别将各数据队列打上相应标签；构建BNPP反向传播神经网络；将得到的数据标签对分成训练集与测试集，训练集送入BPNN进行训练，训练完成后利用测试集评估模型分类效果。本发明通过增加输入层结点数量对原始IMU三轴加速度数据进行直接分类，省却了繁复的步态周期划分与特征提取工程，提高了对多种异常步态的分类准确率，减少了数据预处理工作量，提高了分类准确度。

公开(公告)号：CN109784412A

公开(公告)日：2019-05-21

申请号：CN201910063463.5

申请日：2019-01-23

Applicant: 复旦大学

Inventor： 殷书宝 ,  陈炜 ,  朱航宇 ,  王心平

IPC: G06K9/62 ,  A61B5/11 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明属于生物特征识别技术领域，具体涉及一种用于步态分类的基于深度学习的多传感器信号融合方法。本发明通过构建深度神经网络对异常步态进行分类，并利用卷积神经网络对来自IMU惯性传感单元和SEMG表面肌电的多源异构信息源数据进行融合；融合内容包括数据层（CNN输入层）、特征层（CNN池化层1至卷积层2）以及决策层（CNN输出层）融合，从而完备提取多源异构传感器信息，提高分类器分类精度，同时减少数据预处理工作量，提高分类准确度与判别效率。经验证，本发明在多种异常步态分类任务中分类效果较单模态传感器有显著提升，在实施例中所举异常步态六分类任务中，分类准确率达到99.15%，较单IMU信息源CNN网络提升约三个百分点。

公开(公告)号：CN109770912A

公开(公告)日：2019-05-21

申请号：CN201910063488.5

申请日：2019-01-23

Applicant: 复旦大学

Inventor： 殷书宝 ,  陈炜 ,  朱航宇 ,  王心平

IPC: A61B5/11

Abstract: 本发明属于生物特征识别技术领域，具体为一种基于深度卷积神经网络的步态异常识别方法。本发明方法包括：利用穿戴于人体的IMU采集人体正常行走以及模拟典型异常步态行走时的信号，得到不同步态下的三轴加速度信息；根据目标典型行走步频将原始数据做开窗切割预处理并根据步态类别将各数据队列打上相应标签；CNN深度卷积神经网络，其包括卷积层一、卷积层二、池化层一、池化层二、全连接层以及softmax输出层；最后将数据标签对分成训练集与测试集，训练集送入CNN进行训练，训练完成后利用测试集评估模型分类效果。本发明省却了繁复的步态周期划分与特征提取工程，提高了对多种异常步态的分类准确率，减少了数据预处理工作量，提高了分类准确度。