随着社会老龄化趋势的发展,神经退行性疾病人群日益增加。而神经退行性疾病步态障碍的确诊以及分析评估主要依据临床医生的目测观察或者药物检测方式,这些方法易受临床医师的经验影响,具有一定的主观性,缺乏客观标准。近年来,基于传感器技术的定量分析方法逐渐成为了热点,本研究将新兴的非线性动力学理论应用于由传感器采集到的神经退行性疾病步态信号的分析中,可以反映出步态信号内在的本质特性,从而对神经退行性疾病进行有效的检测分析,建立一个相对客观标准的基于步态信号的神经退行性疾病的辅助诊断方法。在前人研究的基础上,本文的主要成果如下所示:(1)挖掘了时变步态时间序列内在的非线性动力学特性。所研究的信号是被测试者通过鞋子内的压力敏感鞋垫所测得地面反作用力而获得的步态时间序列,从中提取了左脚跨步时长信号曲线、右脚跨步时长信号曲线、左脚站立时长信号曲线、右脚站立时长信号曲线以及双脚支撑时长信号曲线。从非线性动力学理论出发,对时变步态时间序列进行非线性动力学特性分析,首先运用功率谱图,通过步态时间序列的功率谱图峰连成一片且连续,初步判断此信号有混沌特性。其次,用主成分分析法所得的主分量谱图含有直线部分,确定所采集的时变步态信号存在非线性混沌特性。同时观察正常个体和三种典型神经退行性疾病患者之间非线性动力学特征的差异。(2)基于非线性动力学的步态特征提取。首先,从复杂度是描述时间序列的无序程度角度,提取了LZ复杂度、C0复杂度;其次,从熵是衡量时间序列中产生新模式概率的角度,提取了近似熵、模糊熵、样本熵以及小波熵特征;最后从时频的角度,从步态信号中提取了小波系数特征,并对每个特征的所有数值进行了统计分析。对神经退行性疾病的每类患者和对照组之间进行了特征的分布分析,初步分析了各个特征对于神经退行性疾病检测分类的有效性。(3)基于非线性动力学特征的神经退行性疾病检测。首先进行单一特征在不同分类器下的比较,对比每个特征的分类效果,并同时对比不同分类器对分类结果的影响;然后将多个特征融合后进行分类分析,发现7个不同类型(神经退行性疾病总患者与健康对照组、肌萎缩性侧所硬化症患者与健康对照组、帕金森症与健康对照组、亨延顿舞蹈病患者与健康对照组、肌萎缩性侧所硬化症患者与帕金森症患者、肌萎缩性侧索硬化症患者与亨延顿舞蹈症患者、帕金森症患者与亨延顿舞蹈症患者)之间分类的敏感特征不一样,通过前向特征选择算法和m RMR算法过滤每个类型中相关性小的特征,提高了每个分类类型的正确率。最后,基于支持向量机将神经退行性疾病数据库进行了多类分类。(4)基于MATLAB软件和MySQL数据库开发了神经退行性疾病数据库的可视化多分类系统。此系统实现了步态数据库的导入以及原始步态信号图形显示,进行信号预处理并展示相关的图形,之后实现了特征提取和特征选择,最终达到数据管理、神经退行性疾病自动检测的功能。此系统操作简单实用,可为医生诊断神经退行性疾病提供定量的指标来参考辅助,从而更好地服务于医疗人员。