本技术属于基于步态分析的疾病诊断技术领域,公开了一种基于特征交互再平衡的步态分析疾病诊断方法及系统,包括对步态数据进行特征提取,获得局部特征和全局特征,对二者进行交叉增强,对其结果进行拼接操作,利用拼接结果进行分类预测,获得分类结果,计算分类结果与真实标签之间的交叉熵损失,计算加权局部特征以及加权全局特征与原型向量之间的原型交叉熵损失,计算相似性矩阵及其转置矩阵与真实标签的相似性损失;将损失进行加权组合,获得模型的总损失函数,对模型进行训练。本发明同时学习关节内和关节间耦合关系,通过对齐跨域特征来减少跨域特征分布差异,同时平衡跨域提取器的拟合速度,为疾病诊断提供了有效、客观的基于步态的参考。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
步态分析是一种有效诊断具有异常步态特征疾病的重要辅助方法,这类疾病在临床中常易被误诊。鉴于多变量步态时间序列的复杂性,深度学习方法已被广泛应用于使用步态信号分析的疾病诊断。虽然目前的深度学习方法相对传统方法已经大大提高了步态分析任务的准确性,仍有一些挑战需要克服。挑战1:关节之间和关节内部的耦合关系复杂(如图1所示)很难提取。挑战2:在多特征融合过程中,由于各特征提取过程的拟合速度不同,会互相产生干扰(如图2所示)。对于挑战1,现有的图神经网络(GNN)考虑了跨关节的耦合,但是它们面临着一个关键的不足:忽略了单个关节内的耦合特征,这对于疾病区分是至关重要的。对于挑战2,最新的原型模态再平衡(PMR)算法加速了较慢的拟合过程,同时通过实时比较特征和原型之间的距离来评估分类器的拟合程度。然而,PMR的性能受到一个限制:它缺乏跨域特征之间的相互作用,导致分布差距。
实现思路