CN105286875A - 一种辅助筛查前交叉韧带损伤的步态分析方法 - Google Patents

Abstract

本发明公开了一种辅助筛查前交叉韧带损伤的步态分析方法，基于提取的膝关节角度和位移的步态特征，对健康正常人和前交叉韧带损伤患者的步态系统动态进行神经网络建模、辨识；建立常值神经网络；利用常值神经网络构建动态估计器，基于健康正常人和前交叉韧带损伤患者的步态模式之间在步态系统动力学上的差异，根据最小误差原则区分前交叉韧带损伤所引起的异常步态和健康人群的正常步态，实现对前交叉韧带损伤的辅助筛查检测。本发明通过光学传感器获取膝关节角度和位移步态特征数据，可以方便简单、非侵入地区分前交叉韧带损伤所引起的异常步态和健康人群的正常步态，与磁共振成像、关节镜手术等筛查手段相比，可以实现无创筛查，节省时间和费用。

Description

一种辅助筛查前交叉韧带损伤的步态分析方法

技术领域

本发明涉及一种辅助筛查前交叉韧带损伤的步态分析方法。

背景技术

膝关节运动在关节生物力学运动中最为复杂。行走是膝关节最为频繁的活动方式，也是在对膝关节生物力学分析中较易测量、能准确分析的运动方式。前交叉韧带(anteriorcruciateligament,ACL)位于膝关节内，连接股骨与胫骨，是膝关节重要的静力性稳定结构，主要作用是限制胫骨向前过度移位。它表面存在机械感受器，与膝关节内其他结构共同作用，通过神经肌肉反射对动力性稳定结构即关节周围的肌群进行调节，来维持膝关节的稳定性，使人体能完成各种复杂和高难度的下肢动作。解剖和生物力学特点决定了前交叉韧带损伤在人群分布、损伤机制及合并损伤等方面，显现出与其他膝关节损伤不同的疾病特征。文献报道，美国普通人群的前交叉韧带断裂发病率约为1/3000，而足球运动员每年前交叉韧带断裂的发生率为60/10万。对我国现役运动员的普查发现，前交叉韧带断裂的发病率是0.43％。

当有身体冲撞或者进行高速度的运动时，容易发生前交叉韧带损伤。常见的受伤机制包括膝关节屈膝外翻伤、外旋伤、过伸伤等。前交叉韧带损伤后，反射弧的改变会引起膝周肌群肌力代偿性改变，进而产生步态的改变。这种步态的改变可以通过专业的传感器测量，能在定量的水平上客观反映受试者膝关节行走时的功能状态，进而能够辅助筛查前交叉韧带损伤。一个人的步态，可以从一个侧面反映出人的病变特征，特别是对下肢的骨、关节、肌肉和韧带的正常度做出客观的评价。通过对步态进行分析，探讨步态动作中包括关节角度、位移、力矩及功率等运动学与动力学相关变量，可以方便简单、非侵入地帮助医生科学地进行病因分析和辅助筛查、病情诊断、疗效评定、指导患者行走训练，在下肢骨科疾病中应用广泛。

目前，如何进一步提高前交叉韧带损伤诊断的准确性和提高手术的疗效日益成为临床医生关注的目标，而磁共振成像(magneticresonanceimaging,MRI)是最好的影像学诊断方法，关节镜手术是诊断和治疗前交叉韧带损伤的“金标准”。但是二者都存在一定的缺陷，例如，二者的费用都较为昂贵；关节镜手术属于有创检测；带有心脏起搏器的患者或有某些金属异物的部位不能做MRI的检查；多数MRI设备检查空间较为封闭，且扫描时间相对较长，部分患者因恐惧不能配合完成检查。前交叉韧带损伤患者能够通过步态分析显示出其与健康正常人之间的差异，因此通过对人体步态的运动学和动力学分析，选取合适的步态特征，获取步态动力学知识，能够对前交叉韧带损伤患者进行较为准确和快速的辅助筛查。这样就可以在尽量不用MRI以及关节镜的情况下进行非侵入的诊断，节省费用和时间，也不会对患者造成伤害，属于无创检测。

正常步态的特征，如关节角度、位移、关节力矩、功率等在步与步之间通常呈现出复杂的波动特性。无论是前交叉韧带损伤患者还是健康人群，他们步态的动力学特性都具有复杂的非线性性质，这主要是因为人类动力学系统的非线性特征造成的。前交叉韧带损伤患者步态的动力学特性与健康正常人之间存在重要的差异。而如何对非线性步态系统动态进行建模，并基于这两类人群之间在步态系统动力学上的差异进行区分，以辅助筛查检测前交叉韧带损伤，则缺少相应的研究，也是其中的难点问题之一。

检测前交叉韧带损伤患者的异常步态并辅助筛查前交叉韧带损伤，本质上可以看作是一个动态模式的辨识与识别问题，而动态模式识别本身就是模式识别领域的难题之一。在对径向基函数(RBF)神经网络的持续激励特性研究的基础上，王聪等提出了确定学习理论，其中包括对非线性动力学系统产生的动态模式的辨识、表达和快速识别方法，即通过确定学习获得动态模式内在系统动态的局部准确神经网络建模，把随时间变化的动态模式以时不变且空间分布的方式有效地表达，进一步利用动态模式内在的动力学拓扑相似给出动态模式之间的相似性定义，并提出了对动态模式进行快速识别的一套新方法。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种辅助筛查前交叉韧带损伤的步态分析方法，为判别前交叉韧带损伤患者的异常步态提供一种更为简洁准确的筛查检测方法。

本发明一种辅助筛查前交叉韧带损伤的步态分析方法，包括以下步骤：

步骤1、通过光学传感器分别采集每个前交叉韧带损伤患者和健康正常人的膝关节股骨相对胫骨的内外旋角度以及膝关节股骨相对胫骨的内外位移、前后位移和上下位移的步态特征数据，构成一组步态特征变量，将所采集的若干前交叉韧带损伤患者和健康正常人的膝关节股骨相对胫骨的内外旋角度以及膝关节股骨相对胫骨的内外位移、前后位移和上下位移的步态特征数据形成训练集；

步骤2、根据步骤1提取的步态特征变量，对训练集里健康正常人和前交叉韧带损伤患者的未知非线性步态系统动态进行建模，设计RBF神经网络辨识器，对步态系统未知动态的局部进行逼近；

步骤3、常值神经网络的建立：

根据确定学习理论，沿步态系统特征轨迹的RBF神经网络的神经元满足持续激励条件，其权值收敛到最优值，取权值收敛后一段时间内权值的均值作为学习训练结果，并利用这些结果建立常值神经网络，所学到的步态系统动力学知识以常值神经网络权值的形式存储，构成一个训练步态模式库；

步骤4、通过光学传感器分别采集每个待检测前交叉韧带损伤患者的膝关节角度和位移的步态特征数据，构成一组步态特征变量，采集的若干待检测前交叉韧带损伤患者的膝关节角度和位移的步态特征数据形成测试集；

步骤5、分类检测：

利用常值神经网络构建一组动态估计器，把步骤2和步骤3学习到的训练步态模式库里健康正常人和前交叉韧带损伤患者所对应的非线性步态系统动力学知识嵌入到动态估计器中，把待检测前交叉韧带损伤患者的步态特征数据与这组动态估计器做差，形成一组分类误差，根据最小误差原则将待检测前交叉韧带损伤患者的异常步态检测出来，实现对前交叉韧带损伤的辅助筛查。

进一步的，步骤2中，未知非线性步态系统动态建模如下：

$\stackrel{\·}{x}=F(x;p)+v(x;p)$

其中，x＝[x₁,…,x_n]^T∈Rⁿ是步骤1提取到由膝关节角度和位移的步态特征数据构成得步态特征变量，p是系统常参数值，n为步态特征变量的维数；F(x；p)＝[f₁(x；p),…,f_n(x；p)]^T是光滑且未知的非线性动态变量，代表了健康正常人和前交叉韧带损伤患者的步态系统动态，v(x；p)＝[v₁(x；p),…,v_n(x；p)]^T是建模不确定项，将二者合并为并定义为一般非线性步态系统动态；

步骤2中，设计RBF神经网络辨识器用于辨识具体为：

采用动态RBF神经网络构造神经网络辨识器其中是神经网络辨识器的状态，A＝diag[a₁,…,a_n]是对角矩阵，a_i是设计的常数，满足0＜|a_i|＜1，是动态RBF神经网络，用来逼近未知的一般非线性步态系统动态S(x)＝[S₁(||X-ξ₁||,…,S_N(||X-ξ_n||]^T是高斯型径向基函数，N＞1是神经网络结点数目，ξ_i是神经元中心点，RBF神经网络权值的调节律如下：

${\stackrel{\·}{\hat{W}}}_i=-{\mathrm{\Γ}}_{i}S\left(x\right){\tilde{x}}_i-{\mathrm{\σ}}_i{\mathrm{\Γ}}_i{\hat{W}}_i,i=1,\mathrm{...},n,$

其中，i表示n维步态特征变量中第i维变量，是状态误差，Γ_i＝Γ_i ^T＞0,σ_i＞0是调节律的调节参数，动态RBF神经网络的权值的初始值 ${\hat{W}}_i\left(0\right)=0;$

步骤3中建立常值神经网络的具体做法：

根据确定学习理论，沿步态系统特征轨迹的RBF神经网络的神经元满足持续激励条件，其权值收敛到最优值，取权值收敛后一段时间内权值的均值作为学习训练结果，并利用这些结果建立常值神经网络所学到的步态系统动力学知识以常值神经网络权值的形式存储，构成一个训练步态模式库；所述常值神经网络权值其中，[t_a,t_b]代表常值神经网络权值在完成向其最优值收敛的过渡过程之后的一个时间段，这样使得可由常值神经网络进行局部准确逼近：

其中，ε_i2是逼近误差；

步骤5中分类检测，具体如下：

根据训练步态模式库中健康正常人和前交叉韧带损伤患者的常值神经网络权值构造一组动态估计器,表述如下：

${\stackrel{\·}{\stackrel{\‾}{\mathrm{\χ}}}}_i^k=-b_i({\stackrel{\‾}{\mathrm{\χ}}}_i^k-x_{ti})+{\stackrel{\‾}{W}}_i^{k^T}S\left(x_{ti}\right),i=1,\mathrm{...},n,k=1,\mathrm{...},M,$

其中，为动态估计器的状态，b_i为动态估计器参数，x_ti为测试集中待检测前交叉韧带损伤患者的步态特征数据，k表示M个训练模式中的第k个训练模式，M为训练步态模式库中的模式总量；

将测试集中待检测前交叉韧带损伤患者的步态特征数据x_ti与这组动态估计器做差，得到如下的分类检测误差系统：

其中，是状态估计误差，计算的平均L₁范数如下：

$\left|\right|{\widetilde{\mathrm{\χ}}}_i^k\left(t\right)|{|}_1=\frac{1}{T_c}{\∫}_{t-T_c}^t|{\widetilde{\mathrm{\χ}}}_i^k\left(\mathrm{\τ}\right)|d\mathrm{\τ},t\≥T_c,$ 其中，T_c表示步态周期；

分类检测策略如下：如果存在一个有限时间t^s，s∈{1,…,k}和某一i∈{1,…,n}，使得对所有t＞t^s成立，则出现的待检测前交叉韧带损伤患者的异常步态模式被分类检测出来。

所述的RBF神经网络权值的调节律是根据李雅普洛夫稳定性定理和确定学习理论来设计，使状态误差与权值估计都有界，并且指数收敛，其中，RBF神经网络的权值收敛有两种情况：

第一种情况：沿步态特征回归轨迹的RBF神经网络的神经元满足持续激励条件，其权值收敛到最优值的小邻域内；

第二种情况：远离步态特征回归轨迹的RBF神经网络的神经元不受激励而不被调节，其权值近似为零。

对一般非线性步态系统动态局部准确建模可由如下公式表示：

其中，ε_i1是逼近误差；这里的局部准确建模是指通过RBF神经网络对沿步态特征数据的内在系统动态轨迹的逼近，而远离轨迹的内部动态则不被逼近。

本发明将确定学习理论结合膝关节角度和位移的步态特征应用于对健康人群和前交叉韧带损伤患者的非线性步态系统动态进行局部准确建模和辨识，所学习到的步态动力学知识以常值神经网络权值的形式存储，利用健康人群和前交叉韧带损伤患者之间在步态系统动力学上的差异进行分类，以辅助筛查检测前交叉韧带损伤。

本发明通过光学传感器获取膝关节角度和位移的步态特征，可以方便简单、非侵入地区分前交叉韧带损伤所引起的异常步态和一般健康人群的正常步态，实现对前交叉韧带损伤的辅助筛查检测，相比于MRI和关节镜手术，节省了时间和费用，并且是一种无创筛查检测。

附图说明

图1是本发明的流程图；

图2(a1)是本发明实施例中所用前交叉韧带损伤患者膝关节股骨相对胫骨的内外旋角度特征示意图；

图2(a2)是本发明实施例中所用前交叉韧带损伤患者膝关节股骨相对胫骨的内外位移特征示意图；

图2(a3)是本发明实施例中所用前交叉韧带损伤患者膝关节股骨相对胫骨的前后位移特征示意图；

图2(a4)是本发明实施例中所用前交叉韧带损伤患者膝关节股骨相对胫骨的上下位移特征示意图；

图2(b1)是本发明实施例中所用健康正常人膝关节股骨相对胫骨的内外旋角度特征示意图；

图2(b2)是本发明实施例中所用健康正常人膝关节股骨相对胫骨的内外位移特征示意图；

图2(b3)是本发明实施例中所用健康正常人膝关节股骨相对胫骨的前后位移特征示意图；

图2(b4)是本发明实施例中所用健康正常人膝关节股骨相对胫骨的上下位移特征示意图；

图3是本发明实施例中采用的RBF神经网络的拓扑结构示意简图；

图4是本发明实施例中RBF神经网络权值的收敛情况。

下面结合实施例及附图对本发明作进一步详细的描述。

具体实施方式

如图1所示，本发明一种辅助筛查前交叉韧带损伤的步态分析方法，包括以下步骤：

步骤1、通过光学传感器分别采集每个前交叉韧带损伤患者和健康正常人的膝关节股骨相对胫骨的内外旋角度以及膝关节股骨相对胫骨的内外位移、前后位移和上下位移的步态特征数据，构成一组步态特征变量，将所采集的若干前交叉韧带损伤患者和健康正常人的膝关节股骨相对胫骨的内外旋角度以及膝关节股骨相对胫骨的内外位移、前后位移和上下位移的步态特征数据形成训练集，其中膝关节股骨相对胫骨的内外旋角度以及膝关节股骨相对胫骨的内外位移、前后位移和上下位移的步态特征数据提取过程如下：

本发明采用的步态数据库是由广州军区广州总医院骨科提供的步态分析数据库，其步态信号是通过上海逸动医学科技有限公司开发的红外光导航膝关节身体检测系统Opti_Knee获取的，该设备整合了红外立体定位手术导航技术、运动捕捉技术，能够获取膝关节角度和位移的步态特征数据，可追踪记录关节运动轨迹，同步拍摄运动图像，将运动以曲线的形式记录下来以供临床诊断\评估使用，信号采集系统的采样频率为60Hz。采集健康正常人与前交叉韧带损伤患者膝关节股骨相对胫骨的内外旋角度以及膝关节股骨相对胫骨的内外位移、前后位移和上下位移特征，其中，关节角度的单位是弧度，位移的单位是毫米，构成一组膝关节角度和位移特征变量x＝[内外旋角度,内外位移,前后位移,上下位移]^T，以降低特征维数和计算量。试验过程一共有18名前交叉韧带损伤患者，包含11名男性和7名女性，年龄分布在18岁至56岁之间，随机选取其中9人作为训练集数据采集对象，剩下的9人作为待检测的测试集数据采集对象；以及28名步态正常的健康人，包含14名男性和14名女性，年龄分布在20岁至30岁之间，随机选取其中14人作为训练集数据采集对象。如图2(a1)、图2(a2)、图2(a3)、图2(a4)和图2(b1)、图2(b2)、图2(b3)、图2(b4)所示，分别是前交叉韧带损伤患者与健康正常人之间在膝关节股骨相对胫骨的内外旋角度以及膝关节股骨相对胫骨的内外位移、前后位移和上下位移特征上的差异示意图，其中：前交叉韧带损伤患者膝关节股骨相对胫骨的内外旋角度特征如图2(a1)所示，前交叉韧带损伤患者膝关节股骨相对胫骨的内外位移特征如图2(a2)所示，前交叉韧带损伤患者膝关节股骨相对胫骨的前后位移特征如图2(a3)所示，前交叉韧带损伤患者膝关节股骨相对胫骨的上下位移特征如图2(a4)所示；健康正常人膝关节股骨相对胫骨的内外旋角度特征如图2(b1)所示，健康正常人膝关节股骨相对胫骨的内外位移特征如图2(b2)所示，健康正常人膝关节股骨相对胫骨的前后位移特征如图2(b3)所示，健康正常人膝关节股骨相对胫骨的上下位移特征如图2(b4)所示；

步骤2、根据步骤1提取的步态特征变量，对训练集里健康正常人和前交叉韧带损伤患者的未知非线性步态系统动态进行建模，设计RBF神经网络辨识器实现对步态系统未知动态的局部准确逼近：

(1)未知非线性步态系统动态建模如下：

$\stackrel{\·}{x}=F(x;p)+v(x;p)$

其中，x＝[x₁,…,x_n]^T∈Rⁿ是步骤1提取到的膝关节股骨相对胫骨的内外旋角度以及膝关节股骨相对胫骨的内外位移、前后位移和上下位移的步态特征数据，p是系统常参数值，n为步态特征变量的维数；F(x；p)＝[f₁(x；p),…,f_n(x；p)]^T是光滑且未知的非线性动态变量，代表了健康正常人和前交叉韧带损伤患者的步态系统动态，v(x；p)＝[v₁(x；p),…,v_n(x；p)]^T是建模不确定项，由于建模不确定项v(x；p)和步态系统动态F(x；p)无法互相解耦，因此将二者合并为一项并定义为一般非线性步态系统动态；

(2)设计RBF神经网络辨识器用于辨识

采用动态RBF神经网络构造RBF神经网络辨识器，对非线性步态系统动态进行学习的神经网络拓扑结构简图如图3所示，动态RBF神经网络辨识器其中是神经网络辨识器的状态，A＝diag[a₁,…,a_n]是对角矩阵，a_i是设计的常数，满足0＜|a_i|＜1，例如取0.55；是动态RBF神经网络，用来逼近未知的一般非线性步态系统动态S(x)＝[S₁(||X-ξ₁||,…,S_N(||X-ξ_n||]^T是高斯型径向基函数，N＞1是神经网络结点数目，例如取N＝83521，ξ_i是神经元中心点，神经元均匀分布在区域[-1,1]×[-1,1]×[-1,1]×[-1,1]之内，且宽度取0.15；将所有步态特征数据归一化到[-1,1]区间；RBF神经网络权值的调节律如下：

${\stackrel{\·}{\hat{W}}}_i=-{\mathrm{\Γ}}_{i}S\left(x\right){\tilde{x}}_i-{\mathrm{\σ}}_i{\mathrm{\Γ}}_i{\hat{W}}_i,i=1,\mathrm{...},n,$

其中，i表示n维步态特征变量中第i维变量，是状态误差，Γ_i＝Γ_i ^T＞0,σ_i＞0是调节律的调节参数，本实施例中取Γ_i＝15，σ_i＝0.15，动态RBF神经网络的权值的初始值

对一般非线性步态系统动态局部准确建模可由如下公式表示：

其中，ε_i1是逼近误差；这里的局部准确建模是指通过RBF神经网络对沿步态特征数据的内在系统动态轨迹的逼近，而远离轨迹的内部动态则不被逼近；

上述RBF神经网络权值的调节律是根据李雅普洛夫稳定性定理和确定学习理论来设计，使状态误差与权值估计都有界并指数收敛，其中RBF神经网络的权值收敛有两种情况：沿步态特征数据回归轨迹的RBF神经网络的神经元满足持续激励条件，其权值收敛到最优值的小邻域内；远离步态特征数据回归轨迹的RBF神经网络的神经元不受激励而不被调节，其权值近似为零。

例如在一段时间内权值收敛至常值(最优值)，其学习阶段神经网络权值的收敛情况如图4所示，靠近系统轨迹的神经元的权值满足部分持续激励条件，从而收敛到其最优值；而远离系统轨迹的神经元受激励的程度很小而几乎不被调节，基本上保持在零的小邻域内；

步骤3、建立常值神经网络

常值神经网络是时不变的并且空间分布的，即：有效的信息只存贮在靠近步态特征数据的内在系统动态轨迹的神经元上，而远离轨迹的神经元没有存贮信息，常值神经网络只逼近沿步态特征数据空间轨迹的内部动态，远离轨迹的内部动态没有被逼近；因此，根据确定学习理论，沿步态系统特征轨迹的RBF神经网络的神经元满足持续激励条件，其权值收敛到最优值，取权值收敛后一段时间内权值的均值作为学习训练结果，并利用这些结果建立常值神经网络所学到的步态系统动力学知识以常值神经网络权值的形式存储，构成一个训练步态模式库；所述常值神经网络权值 其中，[t_a,t_b]代表常值神经网络权值在完成向其最优值收敛的过渡过程之后的一个时间段，这样使得可由常值神经网络进行局部准确逼近：其中，ε_i2是逼近误差；

步骤4、通过光学传感器分别采集每个待检测前交叉韧带损伤患者的膝关节股骨相对胫骨的内外旋角度以及膝关节股骨相对胫骨的内外位移、前后位移和上下位移的步态特征数据，构成一组步态特征变量，采集的9个待检测前交叉韧带损伤患者的膝关节股骨相对胫骨的内外旋角度以及膝关节股骨相对胫骨的内外位移、前后位移和上下位移的步态特征数据形成测试集；

步骤5、利用常值神经网络构建一组动态估计器,将测试集中待检测前交叉韧带损伤患者的步态特征数据与这组动态估计器做差，形成一组分类误差，根据最小误差原则将待检测前交叉韧带损伤患者的异常步态准确分类检测出来，实现对前交叉韧带损伤的辅助筛查检测，具体步骤如下：

(1)根据训练步态模式库中健康正常人和前交叉韧带损伤患者的一般非线性步态系统动态的RBF神经网络辨识结果，即常值神经网络权值构造一组动态估计器,将步骤2和3学习到的健康正常人和前交叉韧带损伤患者的步态系统动力学知识嵌入到动态估计器中，表述如下：

${\stackrel{\·}{\stackrel{\‾}{\mathrm{\χ}}}}_i^k=-b_i({\stackrel{\‾}{\mathrm{\χ}}}_i^k-x_{ti})+{\stackrel{\‾}{W}}_i^{k^T}S\left(x_{ti}\right),i=1,\mathrm{...},n,k=1,\mathrm{...},M,$

其中，为动态估计器的状态，b_i为动态估计器参数，本实施例中取b_i＝-35，x_ti为测试集中待检测前交叉韧带损伤患者的步态特征数据，k表示M个训练模式中的第k个训练模式，M为训练步态模式库中的模式总量，健康正常人和前交叉韧带损伤患者每一次行走过程中提取出来的步态特征数据序列就构成一个模式，试验过程中试验对象行走了多少次，对应的提取出来的步态特征数据序列就构成了多少个模式；

(2)将测试集中待检测前交叉韧带损伤患者的步态特征数据x_ti与这组动态估计器做差，得到如下的分类检测误差系统：

其中，是状态估计误差，计算的平均L₁范数如下：

$\left|\right|{\widetilde{\mathrm{\χ}}}_i^k\left(t\right)|{|}_1=\frac{1}{T_c}{\∫}_{t-T_c}^t|{\widetilde{\mathrm{\χ}}}_i^k\left(\mathrm{\τ}\right)|d\mathrm{\τ},t\≥T_c,$ 其中，T_c表示步态周期；

(3)如果测试集中待检测前交叉韧带损伤患者的步态模式相似于训练步态模式s(s∈{1,…,k})，则嵌入动态估计器s中的常值RBF神经网络能够快速回忆起学过的知识并提供对步态动力学的准确逼近；因此，相对应的误差在所有误差中变得最小，基于最小误差原则，这一待检测前交叉韧带损伤患者的异常步态能被快速分类检测出来，分类检测策略如下：

如果存在一个有限时间t^s，s∈{1,…,k}和某一i∈{1,…,n}，使得对所有t＞t^s成立，则出现的待检测前交叉韧带损伤患者的异常步态模式可以被分类检测出来，实现对前交叉韧带损伤的辅助检测。

利用灵敏度(Sensitivity)、特异度(Specificity)和准确度(Accuracy)等性能指标对分类检测结果进行评估，这些指标的计算如下：

$Sensitivity=\frac{TP}{TP+FN}\×100\%,$

$Specificity=\frac{TN}{TN+FP}\×100\%,$

$Accuracy=\frac{TP+TN}{TP+TN+FN+FP}\×100\%,$

其中，TP表示真实的正样本，TN表示真实的负样本，FP表示虚假的正样本，FN表示虚假的负样本。

本实施例中：TP＝7，TN＝13，FN＝2，FP＝1。

下表是前交叉韧带损伤患者与健康人群的分类检测结果表：

性能指标	结果(％)
		Sensitivity	77.78
Specificity	92.86
		Accuracy	86.96

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (4)

1.一种辅助筛查前交叉韧带损伤的步态分析方法，其特征在于包含如下步骤：

步骤1、通过光学传感器分别采集每个前交叉韧带损伤患者和健康正常人的膝关节股骨相对胫骨的内外旋角度以及膝关节股骨相对胫骨的内外位移、前后位移和上下位移的步态特征数据，构成一组步态特征变量，将所采集的若干前交叉韧带损伤患者和健康正常人的膝关节股骨相对胫骨的内外旋角度以及膝关节股骨相对胫骨的内外位移、前后位移和上下位移的步态特征数据形成训练集；

步骤2、根据步骤1提取的步态特征变量，对训练集里健康正常人和前交叉韧带损伤患者的未知非线性步态系统动态进行建模，设计RBF神经网络辨识器，对步态系统未知动态的局部进行逼近；

步骤3、常值神经网络的建立：

根据确定学习理论，沿步态系统特征轨迹的RBF神经网络的神经元满足持续激励条件，其权值收敛到最优值，取权值收敛后一段时间内权值的均值作为学习训练结果，并利用这些结果建立常值神经网络，所学到的步态系统动力学知识以常值神经网络权值的形式存储，构成一个训练步态模式库；

步骤4、通过光学传感器分别采集每个待检测前交叉韧带损伤患者的膝关节角度和位移的步态特征数据，构成一组步态特征变量，采集的若干待检测前交叉韧带损伤患者的膝关节角度和位移的步态特征数据形成测试集；

步骤5、分类检测：

利用常值神经网络构建一组动态估计器，把步骤2和步骤3学习到的训练步态模式库里健康正常人和前交叉韧带损伤患者所对应的非线性步态系统动力学知识嵌入到动态估计器中，把待检测前交叉韧带损伤患者的步态特征数据与这组动态估计器做差，形成一组分类误差，根据最小误差原则将待检测前交叉韧带损伤患者的异常步态检测出来，实现对前交叉韧带损伤的辅助筛查检测。

2.根据权利要求1所述的一种辅助筛查前交叉韧带损伤的步态分析方法，其特征在于，步骤2中，未知非线性步态系统动态建模如下：

$\stackrel{\·}{x}=F(x;p)+v(x;p)$

其中，x＝[x₁,…,x_n]^T∈Rⁿ是步骤1提取到由膝关节角度和位移的步态特征数据构成得步态特征变量，p是系统常参数值，n为步态特征变量的维数；

F(x；p)＝[f₁(x；p),…,f_n(x；p)]^T是光滑且未知的非线性动态变量，代表了健康正常人和前交叉韧带损伤患者的步态系统动态，v(x；p)＝[v₁(x；p),…,v_n(x；p)]^T是建模不确定项，将二者合并为并定义为一般非线性步态系统动态；

步骤2中，设计RBF神经网络辨识器用于辨识具体为：

采用动态RBF神经网络构造神经网络辨识器其中是神经网络辨识器的状态，A＝diag[a₁,…,a_n]是对角矩阵，a_i是设计的常数，满足0＜|a_i|＜1，是动态RBF神经网络，用来逼近未知的一般非线性步态系统动态S(x)＝[S₁(‖X-ξ₁‖,…,S_N(‖X-ξ_n‖]^T是高斯型径向基函数，N＞1是神经网络结点数目，ξ_i是神经元中心点，RBF神经网络权值的调节律如下：

${\stackrel{\·}{\hat{W}}}_i=-{\mathrm{\Γ}}_{i}S\left(x\right){\tilde{x}}_i-{\mathrm{\σ}}_i{\mathrm{\Γ}}_i{\hat{W}}_i,i=1,...,n,$

其中，i表示n维步态特征变量中第i维变量，是状态误差，Γ_i＝Γ_i ^T＞0,σ_i＞0是调节律的调节参数，动态RBF神经网络的权值的初始值 ${\hat{W}}_i\left(0\right)=0;$

步骤3中建立常值神经网络的具体做法:

根据确定学习理论，沿步态系统特征轨迹的RBF神经网络的神经元满足持续激励条件，其权值收敛到最优值，取权值收敛后一段时间内权值的均值作为学习训练结果，并利用这些结果建立常值神经网络所学到的步态系统动力学知识以常值神经网络权值的形式存储，构成一个训练步态模式库；所述常值神经网络权值 其中，[t_a,t_b]代表常值神经网络权值在完成向其最优值收敛的过渡过程之后的一个时间段，这样使得可由常值神经网络进行局部准确逼近：

其中，ε_i2是逼近误差；

步骤5中分类检测，具体如下：

根据训练步态模式库中健康正常人和前交叉韧带损伤患者的常值神经网络权值构造一组动态估计器,表述如下：

${{\stackrel{\·}{\stackrel{\‾}{\mathrm{\χ}}}}_i}^k=-b_i\left({{\stackrel{\‾}{\mathrm{\χ}}}_i}^k-x_{ti}\right)+{{\stackrel{\‾}{W}}_i}^{k^T}S\left(x_{ti}\right),i=1,...,n,k=1,...,M,$

其中，为动态估计器的状态，b_i为动态估计器参数，x_ti为测试集中待检测前交叉韧带损伤患者的步态特征数据，k表示M个训练模式中的第k个训练模式，M为训练步态模式库中的模式总量；

将测试集中待检测前交叉韧带损伤患者的步态特征数据x_ti与这组动态估计器做差，得到如下的分类检测误差系统：

其中，是状态估计误差，计算的平均L₁范数如下：

$\left|\right|{{\widetilde{\mathrm{\χ}}}_i}^k\left(t\right)|{|}_1=\frac{1}{T_c}{\∫}_{t-T_c}^t|{{\widetilde{\mathrm{\χ}}}_i}^k\left(\mathrm{\τ}\right)|d\mathrm{\τ},t\≥T_c,$

其中，T_c表示步态周期；

分类检测策略如下：如果存在一个有限时间t^s、s∈{1,…,k}和某一i∈{1,…,n}，使得对所有t＞t^s成立，则出现的待检测前交叉韧带损伤患者的异常步态模式被分类检测出来。

3.根据权利要求2所述的一种辅助筛查前交叉韧带损伤的步态分析方法，其特征在于：所述的RBF神经网络权值的调节律是根据李雅普洛夫稳定性定理和确定学习理论来设计，使状态误差与权值估计都有界，并且指数收敛，其中，RBF神经网络的权值收敛有两种情况：

第一种情况：沿步态特征回归轨迹的RBF神经网络的神经元满足持续激励条件，其权值收敛到最优值的小邻域内；

第二种情况：远离步态特征回归轨迹的RBF神经网络的神经元不受激励而不被调节，其权值近似为零。

4.根据权利要求2所述的一种辅助筛查前交叉韧带损伤的步态分析方法，其特征在于：对一般非线性步态系统动态局部准确建模可由如下公式表示：

其中，ε_i1是逼近误差；这里的局部准确建模是指通过RBF神经网络对沿步态特征数据的内在系统动态轨迹的逼近，而远离轨迹的内部动态则不被逼近。