一种基于机器学习决策分类的异常步态检测方法及系统

1.一种基于机器学习决策分类的异常步态检测方法，其特征在于，具体步骤包括：

2.根据权利要求1所述的一种基于机器学习决策分类的异常步态检测方法，其特征在于：所述s1中，在人体腰间两侧分别设置九轴姿态角度传感器，用于采集加速度，在人体膝盖内侧分别设置旋转角度传感器，用于采集膝盖弯角，在人体足跟设置薄膜压力传感器，用于采集足底压力，所述加速度、膝盖弯角、足底压力采集频率均为0.01秒。

3.根据权利要求2所述的一种基于机器学习决策分类的异常步态检测方法，其特征在于：所述s1中，对行走视频进行分析，采集全部加速度参数，所述全部加速度参数包括行走视频中对应时间节点的所有的人体加速度数值，并将所述人体加速度数值整合为行走加速度集合，并用表示，其中用于表示第h个时间节点的加速度数值，c为正整数，对行走加速度的集合进行相关性分析，生成行走加速度的均值，所依据的公式为：

4.根据权利要求3所述的一种基于机器学习决策分类的异常步态检测方法，其特征在于：对加速度a进行相关性处理，生成垂直加速度，所依据的公式为：

5.根据权利要求4所述的一种基于机器学习决策分类的异常步态检测方法，其特征在于：对去偏加速度进行相关性处理，生成加速度强度指数bqz、加速度离散指数bwz、加速度偏差指数bdz，所依据的公式为：；

6.根据权利要求4所述的一种基于机器学习决策分类的异常步态检测方法，其特征在于：旋转角度传感器所采样的膝盖弯角用集合表示，所述膝盖弯角的集合为，其中用于表示第i个采样时刻时的膝盖弯角，对膝盖弯角进行相关性分析，生成膝盖弯角异常指数xwy，所依据的公式为：；

7.根据权利要求2所述的一种基于机器学习决策分类的异常步态检测方法，其特征在于：所述足底压力包括左脚压力以及右脚压力，所述左脚压力的集合为，用于表示第i个采样时刻的左脚压力数值，所述右脚压力的集合为，用于表示第i个采样时刻的右脚压力数值，n为正整数。

8.根据权利要求7所述的一种基于机器学习决策分类的异常步态检测方法，其特征在于：对左脚压力和右脚压力fr进行相关性分析，生成左脚均值压力zjy和右脚均值压力yjy，所依据的公式为：；

9.根据权利要求1所述的一种基于机器学习决策分类的异常步态检测方法，其特征在于：对双脚干涉评估指数r、膝盖弯角异常指数xwy、垂直加速度异常评估指数byp进行相关性分析，生成异常步态评估指数yp，所依据的公式为：；

10.一种基于机器学习决策分类的异常步态检测系统，用于执行权利要求1所述的一种基于机器学习决策分类的异常步态检测方法，其特征在于，包括：