随着我国人民生活水平的提高,人均寿命的增加,老龄化人口也越来越多,老龄化趋势也越来越重,老年人的健康问题日益成为当下关注的热点。相当数量的一部分老年人,伴随着身体机能的下降,会出现早期的运动功能障碍方面的症状,如阿尔茨海默病、帕金森综合症以及偏瘫等疾病。这些导致运动障碍的疾病在行走过程中具体表现出步态方面的异常。因此,通过对异常步态的识别,可以实现对受试者健康状况的监测和提醒。此外,跌倒行为,在造成65岁以上的老年人伤害死亡的原因中位居首位,很大比例也是由步态异常引起的。故可以通过对异常步态的识别从而及时采取预防措施,指导老年人的步行活动以及注意事项来避免跌倒行为等意外情况的发生。综上所述,通过对老年人异常步态的识别从而实现对其更好的监护和健康管理等具有重大意义。本文具体的研究内容包括以下几个方面:(1)研究步态参数的计算表示方法,基于下肢运动捕捉设备设计步态数据的采集实验,完成数据采集工作。(2)步态数据的预处理和特征降维。数据预处理方面,本文对采集到的数据的给出了缺失值、异常值以及数据标准化等处理方法,并对不同类别的步态进行了统计学上的样本检验,发现不同类别样本数据分布的差异性;在特征降维方面,分别从特征选择和特征提取方面进行。在特征选择方面,结合相关矩阵法和随机森林森林法,取其步态特征向量的交集,从而进行特征的选择;特征提取则是采用主成分分析法,在保留绝大数信息的情况下,并进行降维。达到了去除步态特征中的冗余信息,并提高分类器速度目的。(3)针对单一的分类器分能性能不足的问题,本文采用Stacking集成学习的方法将各个分类器进行融合。由于集成方法有不同的类型,本文首先从理论上分析了各种不同集成方法的特点。为力求融合后的集成模型识别率更高,本文对各个基分类器进行训练的时候反复调参,并给出具体探索过程和实现效果,最后将融合后基于Stacking方法的集成模型与集成前各个单一的基分类器进行对比,发现效果有显著提升。然后又将不同的集成方法所得到的模型进行综合比较,发现Stacking集成学习效果更好,对步态识别的准确率更高。(4)在采集到的数据中,由于偏瘫步态、帕金森步态和单侧髋关节发育不良三种异常步态数据较多,在之前就步态是否异常进行识别的基础上,本文通过设计BP神经网络用于这三种类型的异常步态模式进行了进一步的分类、识别,可以更好的完成相关工作。