步态是步行时的姿态,正常步态是人体协调运动的结果。疾病、遗传、意外伤害等因素可能导致步态改变,造成步态异常。分析、识别和评价异常步态在临床诊断和康复中有重要的价值。传统临床医学上异常步态的分析评估多采用价格昂贵的专业设备而难以在日常生活中得到应用。随着基于智能手机的步态识别技术发展,人体异常步态的识别和分析有了更为经济便利的测量手段,但随之出现的问题亟待研究。本文通过实验设计,利用智能手机采集人体正常和异常步态数据。在进行数据预处理后,分别进行特征提取、分类识别和参数估计、量化分析,并建立异常步态的理论模型进行验证对比,从而实现基于智能手机的异常步态定性识别和量化分析。全文主要工作内容概括如下:1.基于智能手机中内置的加速度和旋转矢量传感器,开发和设计Android系统下步态数据采集APP。针对数据采集过程中的抖动、手机朝向等问题,利用四元数法将手机的相对坐标系转换为地球的绝对坐标系,同时运用双树复小波算法进行数据预处理。2.在步态领域缺乏参数估计和量化分析等定量分析的情况下,采用生物力学参数:时间、空间及时-空参数,进行步态周期、步数、步长及角度等研究;考虑到人体步态的周期性,构建步态模板,进行步态循环序列的提取。构建基于人体下肢的异常步态模型-钟摆模型,并进行实验验证。3.在异常步态的定性分析中,利用双树复小波算法提取出的时频特征和时域中的统计学特征作为原始输入的18维特征。针对人体异常步态运动中特征维数较复杂、存在冗余以及特征之间相关性较高的问题,着重选取有效特征,利用特征选择算法CFS进行特征选择以及数据降维。在构建分类器模型设计中,选择不同的机器学习算法,根据不同分类器的特点,选择最优参数,设计参数优化方案,评估分类器指标,选择最优的IBK分类器模型。分类识别准确率可以达到96%,在IBK分类器模型泛化后的准确率可以达到88.5%。