偏瘫步态量化评估模型构建方法及评估方法、电子设备

本发明涉及人工智能，尤其涉及一种偏瘫步态量化评估模型构建方法及评估方法、电子设备。

背景技术：

1、步态与平衡功能的恢复是衡量偏瘫患者康复状况的核心指标。目前，临床上常依赖berg平衡量表、fugl-meyer量表等半定量评估工具进行功能评定。然而，基于量表的传统评价方法存在以下技术缺陷:

2、(1)评估过程高度依赖康复医师的专业经验，不同医师间的评分存在主观差异，评估结果的可重复性差；

3、(2)评估必须在特定医疗场所由专业医师执行，受限于时空与医疗资源，难以满足庞大卒中群体高频次、连续监测的需求；

4、(3)现有基于可穿戴设备的步态分析方法虽能提取量化参数，但这些参数普遍存在物理量纲不一致、特征间共线性冗余等问题，单一参数或简单线性组合难以全面反映患者的整体运动功能状态。

5、目前也有部分研究尝试采用深度学习模型进行步态评估，但模型可解释性差，且需要大量标注训练数据，在小样本临床场景下易过拟合，难以推广至不同康复分期的患者。

技术实现思路

1、本发明提供一种偏瘫步态量化评估模型构建方法及评估方法、电子设备，用以解决现有步态评估方法中存在的主观性强、依赖医疗场所、多维特征难以综合量化及模型可解释性差的缺陷，本技术的方案构建一种能够融合多源步态信息、消除特征共线性、具有良好可解释性且适用于小样本临床场景的量化评估模型，对于实现偏瘫患者居家康复监测具有重要的临床应用价值。

2、本发明提供一种偏瘫步态量化评估模型构建方法，包括：

3、采集偏瘫患者的多源步态数据构建训练集，以及采集健康受试者的多源步态数据构建对照集；

4、应用随机森林算法对所述训练集构成的步态特征集合进行训练并进行重要性评估，构建核心步态特征子集；

5、基于所述对照集构建健康基准空间，计算所述健康基准空间在所述核心步态特征子集上的均值向量以及协方差矩阵；

6、构建加权马氏距离评估模型，所述加权马氏距离评估模型用于计算待测患者的步态特征向量与所述健康基准空间之间的加权马氏距离评分；

7、建立加权马氏距离评分与偏瘫步态评分表之间的线性映射关系，所述偏瘫步态评分表用于对所述待测患者的步态特征向量进行评价。

8、根据本发明提供的偏瘫步态量化评估模型构建方法，所述应用随机森林算法对所述训练集构成的步态特征集合进行训练并进行重要性评估，构建核心步态特征子集，包括：

9、基于所述步态特征集合构建决策树，计算所述步态特征集合中的每个特征在决策树节点分裂过程中对基尼指数下降的累积贡献；

10、基于所述累积贡献，确定每个特征对应的基尼重要性评分；

11、基于基尼重要性评分选择若干个特征构建核心步态特征子集。

12、根据本发明提供的偏瘫步态量化评估模型构建方法，所述基于基尼重要性评分选择若干个特征构建核心步态特征子集，包括：

13、计算不同特征数量下加权马氏距离评分与所述偏瘫步态评分表之间的相关性系数；

14、将相关性系数达到峰值时对应的特征数量确定为所述核心步态特征子集的数量；

15、将基尼重要性评分最高的m个特征确定为核心步态特征子集，所述m与所述核心步态特征子集的数量一致。

16、根据本发明提供的偏瘫步态量化评估模型构建方法，所述计算所述步态特征集合中的每个特征在决策树节点分裂过程中对基尼指数下降的累积贡献，基于所述累积贡献，确定每个特征对应的基尼重要性评分，包括：

17、计算每一个决策树节点的基尼指数；

18、确定所述决策树节点分裂后基尼指数的下降量；

19、对所述决策树节点分裂后基尼指数的下降量进行累加，确定所述步态特征集合中的特征在决策树节点分裂过程中的基尼重要性评分。

20、根据本发明提供的偏瘫步态量化评估模型构建方法，所述计算所述步态特征集合中的每个特征在决策树节点分裂过程中对基尼指数下降的累积贡献，基于所述累积贡献，确定每个特征对应的基尼重要性评分，包括：

21、计算每一个决策树节点的基尼指数，满足如下公式：

22、

23、其中，为基于偏瘫步态评分表确定的偏瘫等级，为节点m中第k类样本所占比例；

24、确定所述决策树节点分裂后基尼指数的下降量，满足如下公式：

25、

26、其中，j为所述步态特征集合中特征，和为节点m分裂后得到的节点；

27、对所述决策树节点分裂后基尼指数的下降量进行累加，确定所述步态特征集合中的特征在决策树节点分裂过程中的基尼重要性评分，满足如下公式：

28、

29、其中，为特征j的基尼重要性评分，为决策树总数，为第t棵决策树中所有分裂节点的集合。

30、根据本发明提供的偏瘫步态量化评估模型构建方法，所述构建加权马氏距离评估模型，包括：

31、基于所述基尼重要性评分构建权重对角矩阵；

32、基于所述健康基准空间在所述核心步态特征子集上的均值向量以及协方差矩阵，以及所述权重对角矩阵，构建加权马氏距离评估模型。

33、根据本发明提供的偏瘫步态量化评估模型构建方法，所述构建加权马氏距离评估模型，包括：

34、通过如下公式构建权重对角矩阵：

35、；

36、其中，w为权重对角矩阵，、以及为对角元素，所有对角元素之和为1，m为核心步态特征子集的数量；

37、构建加权马氏距离评估模型，满足如下公式：

38、

39、其中，为加权马氏距离，为输入的待测患者的步态特征向量，为均值向量，为协方差矩阵。

40、根据本发明提供的偏瘫步态量化评估模型构建方法，所述健康基准空间在所述核心步态特征子集上的均值向量通过如下公式计算：

41、

42、其中，为均值向量，、以及为核心步态特征子集中每个特征的特征向量；

43、所述健康基准空间在所述核心步态特征子集上的协方差矩阵通过如下公式计算：

44、

45、其中，为协方差矩阵，为健康受试者的数量，为第i个健康受试者第p个特征的取值，为核心步态特征子集中特征p的特征向量，为第i个健康受试者第q个特征的取值，为核心步态特征子集中特征q的特征向量。

46、本发明还提供一种偏瘫步态量化评估方法，包括：

47、获取待测患者的目标多源步态数据；

48、将所述目标多源步态数据输入偏瘫步态量化评估模型构建方法构建的评估模型中，得到所述待测患者的偏瘫评估分数。

49、本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如上述任一种偏瘫步态量化评估模型构建方法，或者实现偏瘫步态量化评估方法。

50、本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种偏瘫步态量化评估模型构建方法，或者实现偏瘫步态量化评估方法。

51、本发明还提供一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现如上述任一种偏瘫步态量化评估模型构建方法，或者实现偏瘫步态量化评估方法。

52、本发明提供的偏瘫步态量化评估模型构建方法中通过融合多源步态数据与随机森林算法，能够自动筛选出最具判别力的核心步态特征，有效降低数据冗余和噪声干扰，同时结合健康对照基准构建加权马氏距离评估模型，不仅充分考虑了各特征在步态异常判别中的重要性差异以及特征间的相关性，还能将高维特征向量转化为连续、客观的评分，并与临床偏瘫步态评分表建立线性映射，从而实现了对偏瘫患者步态障碍程度的自动化、可解释性量化评估，显著提高了评估结果的一致性和准确性。