CN104834888A - 一种辅助筛查帕金森症的异常步态识别方法 - Google Patents

Abstract

本发明公开了一种辅助筛查帕金森症的异常步态识别方法，基于提取的步态足底压力特征，对健康正常人和帕金森症患者的步态***动态进行神经网络建模、辨识；建立常值神经网络；利用常值神经网络构建动态估计器，基于健康正常人和帕金森症患者的步态模式之间在步态***动力学上的差异，根据最小误差原则区分帕金森症所引起的异常步态和一般健康人群的正常步态，实现对帕金森症的辅助筛查检测，本发明通过安装压力感应地板***或穿戴带压力传感器鞋垫的特制鞋子，获取足底压力特征，可以方便简单、非侵入地区分帕金森症所引起的异常步态和一般健康人群的正常步态，实现家庭成员的日常步态监控和帕金森症的辅助筛查检测。

Description

一种辅助筛查帕金森症的异常步态识别方法

技术领域

本发明涉及一种辅助筛查帕金森症的基于足底压力特征的异常步态识别方法。

背景技术

人的步行运动是一个精确而复杂的过程，其运动方式由中枢神经***和反馈机制之间的动态相互作用所决定。一些老年疾病以及一些神经性疾病都会导致上述过程发生问题。人在行走过程中，中枢神经***中产生运动意识的运动神经与下肢产生动作的肌肉之间存在一个信号传导通路，如果该通路存在运动信号传递障碍，其直接表征就是人的异常步态。老年人中常见的疾病，如帕金森症(Parkinson’sDisease)等，都会引发异常步态，因此基于异常步态可以对帕金森症等神经退行性疾病进行辅助筛查和检测。流行病学显示，帕金森症的患病率为15～328/10万人口，65岁以上人群患病率约1％，发病率为10～21/10万人口/年。其临床表现包括了运动过缓、肌强直、静止性震颤、步态异常、认知/精神异常、睡眠障碍、自主神经功能障碍、感觉障碍等。帕金森症病因及发病机制尚未明确，可能与社会因素、药物因素、患者因素等有关，对其进行早期筛查检测具有重要意义。虽然目前医学上有很多检测诊断的技术手段，如抽血化验、表面肌电图(Electromyography:EMG)信号分析、CT、核磁共振、基因测试、腰椎穿刺等，但是这些手段通常比较麻烦，并且都伴随一定程度的创伤。

正常步态的动力学特征，如足底压力、关节力矩等在步与步之间通常呈现出复杂的波动特性。而帕金森症患者的步态在足底压力的变化上与正常步态有着显著的差别，左右脚对应位置的足底压力呈现出明显的左右不对称性。无论是帕金森症患者还是健康人群，他们步态的动力学特性都具有复杂的非线性性质，这主要是因为人类动力学***的非线性特征。帕金森症患者步态的动力学特性与健康正常人之间存在重要的差异。而如何对非线性步态***动态进行建模，并基于这两类人群之间在步态***动力学上的差异进行区分，以辅助筛查检测帕金森症，则缺少相应的研究，也是其中的难点问题。

异常步态的检测本质上可以看作是一个动态模式的辨识与识别问题，而动态模式识别本身就是模式识别领域的难题之一。在对径向基函数(RBF)神经网络的持续激励特性研究的基础上，C.Wang等提出了确定学习理论，其中包括对非线性动力学***产生的动态模式的辨识、表达和快速识别方法，即通过确定学习获得动态模式内在***动态的局部准确神经网络建模，把随时间变化的动态模式以时不变且空间分布的方式有效地表达，进一步利用动态模式内在的动力学拓扑相似给出动态模式之间的相似性定义，并提出了对动态模式进行快速识别的一套新方法。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种辅助筛查帕金森症的异常步态识别方法，为判别帕金森症患者的异常步态提供一种更为简洁准确的筛查检测方法。

本发明一种辅助筛查帕金森症的异常步态识别方法，包括以下步骤：

步骤1、通过足底压力传感器分别采集每个帕金森症患者和健康正常人的足底压力特征数据，构成一组步态特征变量，所采集的若干帕金森症患者和健康正常人的足底压力特征数据形成训练集；

步骤2、根据步骤1提取的步态特征变量，对训练集里健康正常人和帕金森症患者的未知非线性步态***动态进行建模，设计RBF神经网络辨识器，对步态***未知动态的局部进行逼近；

步骤3、常值神经网络的建立：

根据确定学习理论，沿步态***特征轨迹的RBF神经网络的神经元满足持续激励条件，其权值收敛到最优值，取权值收敛后一段时间内权值的均值作为学习训练结果，并利用这些结果建立常值神经网络，所学到的步态***动力学知识以常值神经网络权值的形式存储，构成一个训练步态模式库；

步骤4、通过足底压力传感器分别采集每个待测帕金森症患者的足底压力特征数据，构成一组步态特征变量，采集的若干待测帕金森症患者的足底压力特征数据形成测试集；

步骤5、分类检测：

利用常值神经网络构建一组动态估计器，把步骤2和步骤3学习到的训练步态模式库里健康正常人和帕金森症患者所对应的非线性步态***动力学知识嵌入到动态估计器中，把待检测帕金森症患者的步态特征数据与这组动态估计器做差，形成一组分类误差，根据最小误差原则将待检测帕金森症患者的异常步态检测出来，实现对帕金森症的辅助检测。

进一步的，在步骤1和4中，采用步态分析数据库PhysioNet，通过放置在试验者鞋底的压力传感器来采集人体左右脚各8个对称位置的足底压力特征数据，选取其中差异最为明显的两组左右脚对称位置的足底压力特征数据，构成一组足底压力特征变量。

进一步的，步骤2中，未知非线性步态***动态建模如下：

$\stackrel{\·}{x}=F(x;p)+v(x;p)$

其中，x＝[x₁,…,x_n]^T∈Rⁿ是步骤1提取到的足底压力特征变量，p是***常参数值，n为足底压力特征变量的维数；

F(x；p)＝[f₁(x；p),…,f_n(x；p)]^T是光滑且未知的非线性动态变量，代表了健康正常人和帕金森症患者的步态***动态，v(x；p)＝[v₁(x；p),…,v_n(x；p)]^T是建模不确定项，将二者合并为并定义为一般非线性步态***动态；

(2)设计神经网络辨识器用于辨识：

采用动态RBF神经网络构造神经网络辨识器，动态RBF神经网络辨识器形式如下：其中是选取的足底压力特征变量；A＝diag[a₁,…,a_n]是对角矩阵，a_i是设计的常数，满足0＜|a_i|＜1，是动态RBF神经网络，用来逼近未知的一般非线性步态***动态S(x)＝[S₁(||X-ξ₁||,…,S_N(||X-ξ_n||]^T是高斯型径向基函数，N＞1是神经网络结点数目，ξ_i是神经元中心点，RBF神经网络权值的调节律如下：

${\stackrel{\·}{\hat{W}}}_i=-{\mathrm{\Γ}}_{i}S\left(x\right){\tilde{x}}_i-{\mathrm{\σ}}_i{\mathrm{\Γ}}_i{\hat{W}}_i,i=1,...,n,$

其中，i表示n维足底压力特征变量中第i维变量，是状态误差，Γ_i＝Γ_i ^T＞0,σ_i＞0是调节律的调节参数，动态RBF神经网络的权值的初始值

步骤3中建立常值神经网络的具体做法:

根据确定学习理论，沿步态***特征轨迹的RBF神经网络的神经元满足持续激励条件，其权值收敛到最优值，取权值收敛后一段时间内权值的均值作为学习训练结果，并利用这些结果建立常值神经网络所学到的步态***动力学知识以常值神经网络权值的形式存储，构成一个训练步态模式库；所述常值神经网络权值由如下式子表征：其中，[t_a,t_b]代表常值神经网络权值在完成向其最优值收敛的过渡过程之后的一个时间段，这样使得可由常值神经网络进行局部准确逼近：

其中，ε_i2是逼近误差；

步骤5中分类检测，具体如下：

根据训练步态模式库中健康正常人和帕金森症患者的常值神经网络权值构造一组动态估计器,表述如下：

${{\stackrel{\‾}{\mathrm{\χ}}}_i}^k=-b_i({{\stackrel{\‾}{\mathrm{\χ}}}_i}^k-x_{\mathrm{ti}})+{{\stackrel{\‾}{W}}_i}^{k^T}S\left(x_{\mathrm{ti}}\right),i=1,...,n,k=1,...,M,$

其中，χ_i为动态估计器的状态，b_i为动态估计器参数，x_ti为测试集中待检测帕金森症患者的步态特征数据，k表示M个训练模式中的第k个训练模式，M为训练步态模式库中的模式总量；

将测试集中待检测帕金森症患者的步态特征数据x_ti与这组动态估计器做差，得到如下的分类检测误差***：

其中，是状态估计误差，计算的平均L₁范数如下：

${\left|\right|{{\widetilde{\mathrm{\χ}}}_i}^k\left(t\right)\left|\right|}_1=\frac{1}{T_c}{\∫}_{i-T_c}^t\left|{{\widetilde{\mathrm{\χ}}}_i}^k\left(\mathrm{\τ}\right)\right|\mathrm{d\τ},t\≥T_c,$

其中，T_c表示步态周期；

分类检测策略如下：如果存在一个有限时间t^s，s∈{1,…,k}和某一i∈{1,…,n}，使得对所有t＞t^s成立，则出现的待检测帕金森症患者的异常步态模式被分类检测出来。

所述的RBF神经网络权值的调节律是根据李雅普洛夫稳定性定理和确定学习理论来设计，使状态误差与权值估计都有界，并且指数收敛，其中，RBF神经网络的权值收敛有两种情况：

第一种情况：沿步态特征回归轨迹的RBF神经网络的神经元满足持续激励条件，其权值收敛到最优值的小邻域内；

第二种情况：远离步态特征回归轨迹的RBF神经网络的神经元不受激励而不被调节，其权值近似为零。

对一般非线性步态***动态局部准确建模可由如下公式表示：

其中，ε_i1是逼近误差；这里的局部准确建模是指通过RBF神经网络对沿步态特征数据的内在***动态轨迹的逼近，而远离轨迹的内部动态则不被逼近。

本发明将确定学习理论结合足底压力特征应用于对健康人群和帕金森症患者的非线性步态***动态进行局部准确建模和辨识，所学习到的步态动力学知识以常值神经网络权值的形式存储，利用健康人群和帕金森症患者之间在步态***动力学上的差异进行分类，以辅助检测帕金森症。

本发明通过安装压力感应地板***或穿戴带压力传感器鞋垫的特制鞋子，获取足底压力特征，可以方便简单、非侵入地区分帕金森症所引起的异常步态和一般健康人群的正常步态，实现家庭成员的日常步态监控和帕金森症的辅助筛查检测。

附图说明

图1是本发明的流程图；

图2是本发明实施例中左右脚足底压力传感器分布位置示意图；

图3(a1)是本发明实施例中所用帕金森症患者左脚足底压力特征L₃示意图；

图3(a2)是本发明实施例中所用帕金森症患者左脚足底压力特征L₆示意图；

图3(a3)是本发明实施例中所用帕金森症患者右脚足底压力特征R₃示意图；

图3(a4)是本发明实施例中所用帕金森症患者右脚足底压力特征R₆示意图；

图3(b1)是本发明实施例中所用健康正常人左脚足底压力特征L₃示意图；

图3(b2)是本发明实施例中所用健康正常人左脚足底压力特征L₆示意图；

图3(b3)是本发明实施例中所用健康正常人右脚足底压力特征R₃示意图；

图3(b4)是本发明实施例中所用健康正常人右脚足底压力特征R₆示意图；

图4是本发明实施例中采用的RBF神经网络的拓扑结构示意简图；

图5是本发明实施例中RBF神经网络权值的收敛情况。

下面结合实施例及附图对本发明作进一步详细的描述。

具体实施方式

如图1所示，本发明一种辅助筛查帕金森症的异常步态识别方法，包括以下步骤：

步骤1、通过足底压力传感器分别采集每个帕金森症患者和健康正常人的足底压力特征数据，构成一组步态特征变量，所采集的若干帕金森症患者和健康正常人的足底压力特征数据形成训练集，其中足底压力特征变量提取过程如下：

本发明采用的步态数据库是由Hausdorff等人提供的网上步态分析数据库PhysioNet

(http://www.physionet.org/physiobank/database/gaitpdb)，其步态信号是通过放置在试验者鞋底的压力传感器来获取的，信号采集***的采样频率为100Hz。目前该步态数据库提供如下步态特征参数：人体左右脚各8个对称位置的足底压力，如图2所示，分别是L₁，L₂，L₃，L₄，L₅，L₆，L₇，L₈和R₁，R₂，R₃，R₄，R₅，R₆，R₇，R₈，单位：牛顿(N)。通过实验发现，帕金森症患者L₃，R₃和L₆，R₆位置处的足底压力相比于其他位置处的足底压力来说，与健康正常人相同位置处的足底压力之间存在的差异最为明显，故左右脚L₃，R₃和L₆，R₆这两组对称位置的足底压力最具代表性。选取这两组对称位置的足底压力L₃，R₃和L₆，R₆，构成一组足底压力特征变量：x＝[L₃,R₃,L₆,R₆]^T，以降低特征维数和计算量。试验过程一共有93名帕金森症患者，包含58名男性和35名女性，平均年龄66.3岁；以及73名步态正常的健康人，包含40名男性和33名女性，平均年龄63.7岁。如图3(a1)、图3(a2)、图3(a3)、图3(a4)和图3(b1)、图3(b2)、图3(b3)、图3(b4)所示，分别是帕金森症患者与健康正常人之间在足底压力特征上的差异示意图，其中：帕金森症患者左脚足底压力特征L₃如图3(a1)所示，帕金森症患者左脚足底压力特征L₆如图3(a2)所示，帕金森症患者右脚足底压力特征R₃如图3(a3)所示，帕金森症患者右脚足底压力特征R₆如图3(a4)所示；健康正常人左脚足底压力特征L₃如图3(b1)所示，健康正常人左脚足底压力特征L₆如图3(b2)所示，健康正常人右脚足底压力特征R₃如图3(b3)所示，健康正常人右脚足底压力特征R₆如图3(b4)所示。

步骤2、根据步骤1提取的步态特征变量，对训练集里健康正常人和帕金森症患者的未知非线性步态***动态进行建模，设计RBF神经网络辨识器实现对步态***未知动态的局部准确逼近：

(1)未知非线性步态***动态建模如下：

$\stackrel{\·}{x}=F(x;p)+v(x;p)$

其中，x＝[x₁,…,x_n]^T∈Rⁿ是步骤1提取到的足底压力特征变量，p是***常参数值，n为足底压力特征变量的维数；

F(x；p)＝[f₁(x；p),…,f_n(x；p)]^T是光滑且未知的非线性动态变量，代表了健康正常人和帕金森症患者的步态***动态，v(x；p)＝[v₁(x；p),…,v_n(x；p)]^T是建模不确定项，由于建模不确定项v(x；p)和步态***动态F(x；p)无法互相解耦，因此将二者合并为一项并定义为一般非线性步态***动态；

(2)设计神经网络辨识器用于辨识：

采用动态RBF神经网络构造神经网络辨识器，对非线性步态***动态进行学习的拓扑结构简图如图4所示，动态RBF神经网络辨识器形式如下：

$\stackrel{\·}{\hat{x}}=-A(\hat{x}-x)+{\hat{W}}^{T}S\left(x\right),$

其中是神经网络辨识器的状态，即选取的足底压力特征变量；A＝diag[a₁,…,a_n]是对角矩阵，a_i是设计的常数，满足0＜|a_i|＜1，例如取0.5；是动态RBF神经网络，用来逼近未知的一般非线性步态***动态S(x)＝[S₁(||X-ξ₁||,…,S_N(||X-ξ_n||]^T是高斯型径向基函数，N＞1是神经网络结点数目，例如取N＝83521，ξ_i是神经元中心点，神经元均匀分布在区域[-1,1]×[-1,1]×[-1,1]×[-1,1]之内，且宽度取0.15；将所有足底压力特征数据归一化到[-1,1]区间；RBF神经网络权值的调节律如下：

${\stackrel{\·}{\hat{W}}}_i=-{\mathrm{\Γ}}_{i}S\left(x\right){\tilde{x}}_i-{\mathrm{\σ}}_i{\mathrm{\Γ}}_i{\hat{W}}_i,i=1,...,n,$

其中，i表示n维足底压力特征变量中第i维变量，是状态误差，Γ_i＝Γ_i ^T＞0,σ_i＞0是调节律的调节参数，动态RBF神经网络的权值的初始值

对一般非线性步态***动态局部准确建模可由如下公式表示：

其中，ε_i1是逼近误差；这里的局部准确建模是指通过RBF神经网络对沿步态特征数据的内在***动态轨迹的逼近，而远离轨迹的内部动态则不被逼近；

上述RBF神经网络权值的调节律是根据李雅普洛夫稳定性定理和确定学习理论来设计，使状态误差与权值估计都有界并指数收敛，其中RBF神经网络的权值收敛有两种情况：沿步态特征数据回归轨迹的RBF神经网络的神经元满足持续激励条件，其权值收敛到最优值的小邻域内；远离步态特征数据回归轨迹的RBF神经网络的神经元不受激励而不被调节，其权值近似为零。

例如在一段时间内权值收敛至常值(最优值)，其学习阶段神经网络权值的收敛情况如图5所示，靠近***轨迹的神经元的权值满足部分持续激励条件，从而收敛到其最优值；而远离***轨迹的神经元受激励的程度很小而几乎不被调节，基本上保持在零的小邻域内；

步骤3、建立常值神经网络

常值神经网络是时不变的并且空间分布的，即：有效的信息只存贮在靠近步态特征数据的内在***动态轨迹的神经元上，而远离轨迹的神经元没有存贮信息，常值神经网络只逼近沿步态特征数据空间轨迹的内部动态，远离轨迹的内部动态没有被逼近；因此，根据确定学习理论，沿步态***特征轨迹的RBF神经网络的神经元满足持续激励条件，其权值收敛到最优值，取权值收敛后一段时间内权值的均值作为学习训练结果，并利用这些结果建立常值神经网络所学到的步态***动力学知识以常值神经网络权值的形式存储，构成一个训练步态模式库；所述常值神经网络权值由如下式子表征：其中，[t_a,t_b]代表常值神经网络权值在完成向其最优值收敛的过渡过程之后的一个时间段，这样使得可由常值神经网络进行局部准确逼近：

其中，ε_i2是逼近误差；

步骤4、通过足底压力传感器分别采集每个待测帕金森症患者的足底压力特征数据，构成一组步态特征变量，采集的若干待测帕金森症患者的足底压力特征数据形成测试集；

步骤5、利用常值神经网络构建一组动态估计器,将测试集中待检测帕金森症患者的步态特征数据与这组动态估计器做差，形成一组分类误差，根据最小误差原则将待检测帕金森症患者的异常步态准确分类检测出来，实现对帕金森症的辅助检测，具体步骤如下：

(1)根据训练步态模式库中健康正常人和帕金森症患者的一般非线性步态***动态的RBF神经网络辨识结果，即常值神经网络权值构造一组动态估计器,将步骤2和3学习到的健康正常人和帕金森症患者的步态***动力学知识嵌入到动态估计器中，表述如下：

${{\stackrel{\‾}{\mathrm{\χ}}}_i}^k=-b_i({{\stackrel{\‾}{\mathrm{\χ}}}_i}^k-x_{\mathrm{ti}})+{{\stackrel{\‾}{W}}_i}^{k^T}S\left(x_{\mathrm{ti}}\right),i=1,...,n,k=1,...,M,$

其中，χ_i为动态估计器的状态，b_i为动态估计器参数，x_ti为测试集中待检测帕金森症患者的步态特征数据，k表示M个训练模式中的第k个训练模式，M为训练步态模式库中的模式总量，健康正常人和帕金森症患者每一次行走过程中提取出来的足底压力特征数据序列就构成一个模式，试验过程中试验对象行走了多少次，对应的提取出来的足底压力特征数据序列就构成了多少个模式；

(2)将测试集中待检测帕金森症患者的步态特征数据x_ti与这组动态估计器做差，得到如下的分类检测误差***：

其中，是状态估计误差，计算的平均L₁范数如下：

${\left|\right|{{\widetilde{\mathrm{\χ}}}_i}^k\left(t\right)\left|\right|}_1=\frac{1}{T_c}{\∫}_{t-T_c}^t\left|{{\widetilde{\mathrm{\χ}}}_i}^k\left(\mathrm{\τ}\right)\right|\mathrm{d\τ},t\≥T_c,$

其中，T_c表示步态周期；

(3)如果测试集中待检测帕金森症患者的步态模式相似于训练步态模式s(s∈{1,…,k})，则嵌入动态估计器s中的常值RBF神经网络能够快速回忆起学过的知识并提供对步态动力学的准确逼近；因此，相对应的误差在所有误差中变得最小，基于最小误差原则，这一待检测帕金森症患者的异常步态能被快速分类检测出来，分类检测策略如下：

如果存在一个有限时间t^s，s∈{1,…,k}和某一i∈{1,…,n}，使得对所有t＞t^s成立，则出现的待检测帕金森症患者的异常步态模式可以被分类检测出来，实现对帕金森症的辅助检测。

利用灵敏度(Sensitivity)、特异度(Specificity)和准确度(Accuracy)等性能指标对分类检测结果进行评估，这些指标的计算如下：

$\mathrm{Sensitivity}=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FN}}\×100\%,$

$\mathrm{Specificity}=\frac{\mathrm{TN}}{\mathrm{TN}+\mathrm{FP}}\×100\%,$

$\mathrm{Accuracy}=\frac{\mathrm{TP}+\mathrm{TN}}{\mathrm{TP}+\mathrm{TN}+\mathrm{FN}+\mathrm{FP}}\×100\%,$

其中，TP表示真实的正样本，TN表示真实的负样本，FP表示虚假的正样本，FN表示虚假的负样本。

本实施例中：TP＝92，TN＝73，FN＝1，FP＝0。

下表是帕金森症患者与健康人群的分类检测结果表：

性能指标	结果(％)
		Sensitivity	98.92
Specificity	100
		Accuracy	99.40

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (5)

1.一种辅助筛查帕金森症的异常步态识别方法，其特征在于包含如下步骤：

步骤1、通过足底压力传感器分别采集每个帕金森症患者和健康正常人的足底压力特征数据，构成一组步态特征变量，所采集的若干帕金森症患者和健康正常人的足底压力特征数据形成训练集；

步骤2、根据步骤1提取的步态特征变量，对训练集里健康正常人和帕金森症患者的未知非线性步态***动态进行建模，设计RBF神经网络辨识器，对步态***未知动态的局部进行逼近；

步骤3、常值神经网络的建立：

根据确定学习理论，沿步态***特征轨迹的RBF神经网络的神经元满足持续激励条件，其权值收敛到最优值，取权值收敛后一段时间内权值的均值作为学习训练结果，并利用这些结果建立常值神经网络，所学到的步态***动力学知识以常值神经网络权值的形式存储，构成一个训练步态模式库；

步骤4、通过足底压力传感器分别采集每个待测帕金森症患者的足底压力特征数据，构成一组步态特征变量，采集的若干待测帕金森症患者的足底压力特征数据形成测试集；

步骤5、分类检测：

利用常值神经网络构建一组动态估计器，把步骤2和步骤3学习到的训练步态模式库里健康正常人和帕金森症患者所对应的非线性步态***动力学知识嵌入到动态估计器中，把待检测帕金森症患者的步态特征数据与这组动态估计器做差，形成一组分类误差，根据最小误差原则将待检测帕金森症患者的异常步态检测出来，实现对帕金森症的辅助检测。

2.根据权利要求1所述的辅助筛查帕金森症的异常步态识别方法，其特征在于，在步骤1和4中，采用步态分析数据库PhysioNet，通过放置在试验者鞋底的压力传感器来采集人体左右脚各8个对称位置的足底压力特征数据，选取其中差异最为明显的两组左右脚对称位置的足底压力特征数据，构成一组足底压力特征变量。

3.根据权利要求1所述的辅助筛查帕金森症的异常步态识别方法，其特征在于：步骤2中，未知非线性步态***动态建模如下：

$\stackrel{.}{x}=F(x;p)+v(x;p)$

其中，x＝[x₁,…,x_n]^T∈Rⁿ是步骤1提取到的足底压力特征变量，p是***常参数值，n为足底压力特征变量的维数；

F(x；p)＝[f₁(x；p),…,f_n(x；p)]^T是光滑且未知的非线性动态变量，代表了健康正常人和帕金森症患者的步态***动态，v(x；p)＝[v₁(x；p),…,v_n(x；p)]^T是建模不确定项，将二者合并为并定义为一般非线性步态***动态；

(2)设计神经网络辨识器用于辨识：

采用动态RBF神经网络构造神经网络辨识器，动态RBF神经网络辨识器形式如下： $\stackrel{\stackrel{.}{^}}{x}=-A(\hat{x}-x)+{\hat{W}}^{T}S\left(x\right),$ 其中 $\hat{x}=[{\hat{x}}_1,...,{\hat{x}}_n]$ 是选取的足底压力特征变量；A＝diag[a₁,…,a_n]是对角矩阵，a_i是设计的常数，满足0＜|a_i|＜1，是动态RBF神经网络，用来逼近未知的一般非线性步态***动态S(x)＝[S₁(‖X-ξ₁‖,…,S_N(‖X-ξ_n‖]^T是高斯型径向基函数，N＞1是神经网络结点数目，ξ_i是神经元中心点，RBF神经网络权值的调节律如下：

${\stackrel{\stackrel{.}{^}}{W}}_i=-{\mathrm{\Γ}}_{i}S\left(x\right){\tilde{x}}_i-{\mathrm{\σ}}_i{\mathrm{\Γ}}_i{\hat{W}}_i,i=1,...,n,$

其中，i表示n维足底压力特征变量中第i维变量，是状态误差，Γ_i＝Γ_i ^T＞0,σ_i＞0是调节律的调节参数，动态RBF神经网络的权值的初始值

步骤3中建立常值神经网络的具体做法:

根据确定学习理论，沿步态***特征轨迹的RBF神经网络的神经元满足持续激励条件，其权值收敛到最优值，取权值收敛后一段时间内权值的均值作为学习训练结果，并利用这些结果建立常值神经网络所学到的步态***动力学知识以常值神经网络权值的形式存储，构成一个训练步态模式库；所述常值神经网络权值由如下式子表征：其中，[t_a,t_b]代表常值神经网络权值在完成向其最优值收敛的过渡过程之后的一个时间段，这样使得可由常值神经网络进行局部准确逼近：

其中，ε_i2是逼近误差；

步骤5中分类检测，具体如下：

根据训练步态模式库中健康正常人和帕金森症患者的常值神经网络权值构造一组动态估计器,表述如下：

${{\stackrel{\‾}{\mathrm{\χ}}}_i}^k=-b_i({{\stackrel{\‾}{\mathrm{\χ}}}_i}^k-x_{\mathrm{ti}})+{{{\stackrel{\‾}{W}}_i}^k}^{T}S\left(x_{\mathrm{ti}}\right),i=1,...,n,k=1,...,M,$

其中，χ_i为动态估计器的状态，b_i为动态估计器参数，x_ti为测试集中待检测帕金森症患者的步态特征数据，k表示M个训练模式中的第k个训练模式，M为训练步态模式库中的模式总量；

将测试集中待检测帕金森症患者的步态特征数据x_ti与这组动态估计器做差，得到如下的分类检测误差***：

其中，是状态估计误差，计算的平均L₁范数如下：

${\left|\right|{{\widetilde{\mathrm{\χ}}}_i}^k\left(t\right)\left|\right|}_1=\frac{1}{T_c}{\∫}_{t-T_c}^t\left|{{\widetilde{\mathrm{\χ}}}_i}^k\left(\mathrm{\τ}\right)\right|\mathrm{d\τ},t\≥T_c,$

其中，T_c表示步态周期；

分类检测策略如下：如果存在一个有限时间t^s，s∈{1,…,k}和某一i∈{1,…,n}，使得对所有t＞t^s成立，则出现的待检测帕金森症患者的异常步态模式被分类检测出来。

4.根据权利要求3所述的辅助筛查帕金森症的异常步态识别方法，其特征在于：所述的RBF神经网络权值的调节律是根据李雅普洛夫稳定性定理和确定学习理论来设计，使状态误差与权值估计都有界，并且指数收敛，其中，RBF神经网络的权值收敛有两种情况：

第一种情况：沿步态特征回归轨迹的RBF神经网络的神经元满足持续激励条件，其权值收敛到最优值的小邻域内；

第二种情况：远离步态特征回归轨迹的RBF神经网络的神经元不受激励而不被调节，其权值近似为零。

5.根据权利要求3所述的辅助筛查帕金森症的异常步态识别方法，其特征在于：对一般非线性步态***动态局部准确建模可由如下公式表示：

其中，ε_i1是逼近误差；这里的局部准确建模是指通过RBF神经网络对沿步态特征数据的内在***动态轨迹的逼近，而远离轨迹的内部动态则不被逼近。