CN110545723A - Locogram软件:用于分析步态练习的工具 - Google Patents
Locogram软件:用于分析步态练习的工具 Download PDFInfo
- Publication number
- CN110545723A CN110545723A CN201880006373.6A CN201880006373A CN110545723A CN 110545723 A CN110545723 A CN 110545723A CN 201880006373 A CN201880006373 A CN 201880006373A CN 110545723 A CN110545723 A CN 110545723A
- Authority
- CN
- China
- Prior art keywords
- gait
- running
- similarity
- signal
- cycles
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000005021 gait Effects 0.000 title claims description 159
- 239000011159 matrix material Substances 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 30
- 230000001133 acceleration Effects 0.000 claims description 18
- 230000033764 rhythmic process Effects 0.000 claims description 18
- 230000033001 locomotion Effects 0.000 claims description 11
- 230000000007 visual effect Effects 0.000 claims description 10
- 238000012731 temporal analysis Methods 0.000 claims 2
- 238000006073 displacement reaction Methods 0.000 abstract 1
- 230000016776 visual perception Effects 0.000 abstract 1
- 210000002683 foot Anatomy 0.000 description 60
- 238000012800 visualization Methods 0.000 description 28
- 208000018737 Parkinson disease Diseases 0.000 description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 210000003414 extremity Anatomy 0.000 description 4
- 230000001429 stepping effect Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000012952 Resampling Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 208000035475 disorder Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000000707 wrist Anatomy 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 210000001624 hip Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 206010017577 Gait disturbance Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 210000003423 ankle Anatomy 0.000 description 1
- 210000000617 arm Anatomy 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 210000002414 leg Anatomy 0.000 description 1
- 230000003349 osteoarthritic effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C22/00—Measuring distance traversed on the ground by vehicles, persons, animals or other moving solid bodies, e.g. using odometers, using pedometers
- G01C22/006—Pedometers
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/112—Gait analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1123—Discriminating type of movement, e.g. walking or running
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6813—Specially adapted to be attached to a specific body part
- A61B5/6829—Foot or ankle
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
- A61B5/743—Displaying an image simultaneously with additional graphical information, e.g. symbols, charts, function plots
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
- A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
- A61B2562/0247—Pressure sensors
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Neurology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Neurosurgery (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Developmental Disabilities (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及一种用于分析个体的N个步行或跑步周期的序列的规律性和对称性的设备1,该设备包括:传感器2,用于测量解剖学肢段的物理位移变量的原始时间信号;处理单元,连接到测量传感器2并且具有计算及处理装置,该计算及处理装置被布置用于将原始时间信号分隔成不同的时间信号Ci,其中,系列Ci与个体的给定步行或跑步周期i相关联,计算在与步行或跑步周期i相关联的信号Ci和与同一个体的步行或跑步周期j相关联的另一信号Cj之间的至少一个相似性系数;显示装置4,连接到处理单元并显示矩阵M(i,j),在该矩阵中相似性系数的每个值由位于分度颜色标度中的颜色来表示,以允许肉眼看到步行或跑步周期i和j之间的相似性。
Description
技术领域
本发明涉及一种用于分析个体的步态或跑步周期的序列的规律性和对称性的设备。
背景技术
最近,电子和信息学的进步已经引起新传感器的开发,新传感器使得可以在日常临床会诊中测量步态(例如使用惯性传感器)。这些传感器可以访问需要被汇总的信号,以便得出关于个体步态的结论。
诸如速度或节拍的步态参数是步态信号的最概括形式,因为它们将信号减少为数字。因此,用于测量步伐的工具的制造商提供以表达个体步态的各个方面(诸如,对称性、规律性或开始的敏捷度)的参数列表的形式详尽的报告。
可能存在多于一百个参数。它们以表格、条形图或曲线的形式以合适的方式呈现。
然而,查看不可解释的原始时间信号与参数之间的中间数据的主题很少进行过探索。
为了计算,一些参数需要定义阈值。因此,例如,定义当个体的周期幅度超过周期5到10的幅度的67%时,个体已达到建立的节奏(称为在多于五个周期处“开始”不再认为准确)。某些周期可能有极限值(远程周期幅度的60%或70%)。
以这种方式,发生与所选阈值有关的错误,这可以通过直接考虑原始数据来避免。
参数平均了整个练习的步态特征,并且因此它们掩盖了练习的进度。例如,为了评估个体步态的规律性,使用了步态周期的持续时间的标准偏差。如果周期是整体规律的,并且发现一个周期比其他周期长,则标准偏差将增加。不知道这种增加是由于孤立的周期或者这发生在步行中的哪个点。不稳定周期数及其发生的时间是重要的分析信息。
这些参数是个体步行表现的良好指示符。但是,它们没有提供关于步态变化起源的分析信息。例如,步行速度是良好的整体评估,但速度可以通过较短的步伐或减少的节拍来降低。步伐的大小和节拍可能反而受到各种因素的影响。
步行的测量显示主要的个体间波动,其主要是由于每个个体的解剖学和功能变化,这些变化影响传感器的定位,并且影响每个个体的运动方式的变化。参数受这种可变性的影响,并且没有用于消除它的参考方法。
发明内容
在现有技术中需要一种用于研究个体的步态或跑步周期的序列随时间的规律性和对称性的方法。
本发明的一个目的是使得可以考虑信号的形状以报告步态或跑步的规律性,同时消除步态或跑步周期的持续时间或幅度的可变性。
在本发明中,设计了步态或跑步练习的可视化矩阵或表格。该可视化矩阵M(i,j)被称为“locogram”并且是其中xij=xji的格兰姆矩阵,其中xij是矩阵M(i,j)中的第i行和第j列中的值。
locogram相对于所使用的传感器类型(加速度计、陀螺仪、红外线跟踪器)以及相对于记录步行的其解剖学部位(脚,腿,腰,手腕,头部)是稳健的。
由于根据本发明的可视化矩阵,分析步态的专业人员(医生、物理治疗师、护士、足科医师、教练、体育教练员、鞋设计师等)可以具有步态练习的全局视图,在此基础上,他们可以进行符号学来了解患者步态的质量并且轻松辨认出具有非典型步伐的练习。仅凭参数不足以获得患者的满意快照。可视化矩阵是参数与原始时间信号之间的中间点,并且允许医生访问患者的步态数据。
可视化矩阵基于将步态或跑步划分为周期。使用数学“距离”或度量来比较周期。取决于对距离的选择,将比较信号的特定方面。
更确切地说,本发明提供了一种设备,该设备用于通过视觉表示来分析分析个体的步态或跑步的N个周期序列随着时间的规律性和对称性,这些周期彼此进行比较,
并且用于确定不稳定周期的存在和数量以及建立步行或跑步节奏所需的周期数,以及在哪个点达到这些不稳定步行周期和节奏,
该设备包括:
·用于原始信号的测量传感器,这些原始信号是惯性的和/或与至少一个身体肢段的物理运动变量有关;身体肢段可以例如是一只或两只脚、手臂或手腕、或者头部、腰腹部;原始信号可以例如是惯性数据;
·连接到测量传感器的处理单元,用于:
-处理原始时间信号并且将原始时间信号分隔成不同的时间信号Ci,每个时间信号Ci是所测量的物理变量的一系列时间点并且具有给定的形状、幅度和持续时间,系列Ci与个体的步态或跑步的给定周期i相关联;
-计算在与周期i相关联的信号Ci和与同一个体的周期j相关联的另一信号Cj之间的至少一个相似性系数xij,
相似性系数xij是:两个信号Ci和Cj的形状的相似性系数(fij)、两个信号Ci和Cj的幅度的相似性系数(aij)、或者两个信号Ci和Cj的持续时间的相似性系数(dij),
-将相似性系数xij(fij、aij、dij)的值排序在方阵M(i,j)[F(i,j),A(i,j),D(i,j)]中在第i行和第j列的每个单元(i,j)处;
其中,i和j是从1到N的自然整数,所研究的N个步态周期根据其在步态或跑步序列中的顺序按时间顺序排序;
·显示装置,链接到处理单元并且显示方阵M(i,j)[F(i,j),A(i,j),D(i,j)],每个相似性系数值xij(fij、aij、dij)通过分度视觉表示而表示在矩阵M(i,j)[F(i,j),A(i,j),D(i,j)]中,该值在两个极值之间的连续无阈值的区间内,使得可以在视觉上并且同时地确定:
-在同一个人的所有步态和跑步周期i和j之间的相似性,每个周期与其他周期进行比较,
-不稳定周期数以及建立步态或跑步节奏所需的周期数,以及在序列中的哪个点达到这些不稳定周期和节奏。
使用可视化矩阵的运动方法建议根据将要执行相似性距离计算的三个方面(周期持续时间、幅度和形状)来描述周期(步行、跑步、原地踏步)。信号的幅度和形状是独立的方面。
有利地,为了描述个体的步伐(步行、跑步、原地踏步),使用这三个距离设计三个可视化矩阵F(i,j)、A(i,j)、D(i,j)可能是有用的。
本发明还涉及一种使用上述设备的方法,包括如下步骤:
-检测步骤(i),用于检测至少一个身体肢段的物理运动变量的原始时间信号,该信号在该人的N个步态或跑步周期i的序列中测量,
-处理及分隔步骤(ii),用于处理原始时间信号并且将原始时间信号分隔成不同的时间信号Ci,每个时间信号Ci是所测量的物理变量的一系列时间点并且具有给定的形状、幅度和持续时间,系列Ci与该人的给定步态或跑步周期i相关联;
-计算步骤(iii),用于计算在与步态或跑步周期i相关联的信号Ci和与步态或跑步周期j相关联的另一信号Cj之间的至少一个相似性系数xij(fij、aij、dij),该相似性系数表示这两个信号Ci和Cj之间的相似性;
该系数是:两个信号Ci和Cj的形状的相似性系数fij、两个信号Ci和Cj的幅度的相似性系数aij、或者两个信号Ci和Cj的持续时间的相似性系数dij;
-排序步骤(iv),用于将相似性系数xij的值排序在方阵M(i,j)中第i行和第j列处;
其中,i和j是从1到N的自然整数,N个步态或跑步周期按时间顺序排序;
-显示步骤(v),用于显示方阵M(i,j),每个相似性系数值xij在矩阵M(i,j)中通过分度视觉表示来表示,使得可以用肉眼看到步行、跑步或原地踏步的所研究的周期i和j之间的相似性。
附图说明
通过参考附图的以下详细描述,其他目的、特征和优点将变得清楚,附图是作为说明性的非限制性实例提供的,并且其中:
图1a示出了根据本发明的设备;
图1b示出了根据本发明的方法;
图2示出了步态或跑步周期的术语幅度、持续时间和形状的定义;
图3示出了根据本发明的用于在涉及“往返”步行限定距离的给定步态练习中查看人的一只脚的步态周期的工具;
图4a和图4b示出了可视化工具F(i,j),其分别涉及根据本发明的对于健康受试者和患有帕金森病的受试者的形状相似性系数,针对每个受试者来比较其在涉及“往返”步行限定距离的给定步态练习中的步态周期的形状;
图5a和图5b示出了步态可视化工具或方阵A(i,j),其分别涉及根据本发明的对于健康受试者和患有帕金森病的受试者的幅度相似性系数,针对每个受试者来比较其在涉及“往返”步行限定距离的给定步态练习中的步态周期的幅度;
图6a和图6b示出了步态可视化工具或方阵D(i,j),其分别涉及根据本发明的对于健康受试者和患有帕金森病的受试者的持续时间相似性系数,针对每个受试者来比较其在涉及“往返”步行限定距离的给定步态练习中的步态周期的持续时间;
图7示出了作为时间的函数的对于在涉及“往返”步行限定距离的给定步态练习中移动的人的右脚的由三轴加速度计发出的沿着三个轴线x、y和z的加速度的原始时间信号;
图8示出了作为时间的函数的对应于图1的原始信号的无重力加速度的原始时间信号,已经从该原始时间信号中减去了对于静止的人的右脚的由三轴加速度计发出的沿着三个轴线x、y和z的原始时间信号;
图9示出了作为时间的函数的在涉及“往返”步行限定距离的给定步态练习中的人的右脚的非重力加速度的大小;
图10a和图10b示出了作为时间的函数的在涉及“往返”步行限定距离的给定步态练习中对应于步态周期C1,C2,...Cnr+nl的人的右脚的非重力加速度的大小、人的左脚的非重力加速度的大小、以及时间τ_右和τ_左的跟踪;
图10c示出了步态周期C1,C2,...Cnr+nl的重新采样。
本文档中呈现的附图仅用于说明的目的。
具体实施方式
本发明涉及一种设备1,该设备用于通过将每个周期与每个其他周期进行比较,基于对N个步态或跑步周期的总体考虑在没有参数计算的情况下分析个体的N个步态或跑步周期的序列随时间的规律性和对称性。
术语“步态或跑步周期”对应于在个体的步行或跑步期间在两次脚跟着地之间的某些时刻发生的在地面上同一只脚的两次脚跟着地之间的限定阶段。因此,它代表了在一步中一个人的脚的行为。
如从现有技术中已知的,不同的阶段可以定义为百分比,0%对应于第一次脚跟着地,并且100%对应于第二次脚跟着地。
该周期可以分隔为两个阶段:脚与地面相接触的站位阶段(0至60%),以及脚跟在空中的摆动阶段(60%至100%)。
该术语定义了所有步态类型和跑步类型;例如,原地踏步肯定视为术语“步态周期”所定义的类别的一部分。
图1a中所示的设备1包括测量传感器2,该测量传感器用于测量在个体的至少一只脚的N个步态或跑步周期的序列中测量的身体肢段的物理变量的原始信号i。
测量传感器2可以是任何传感器,诸如:加速度计、陀螺仪、肌电图、鞋垫压力传感器或红外线跟踪器/视频或IR采集设备。
它们可以放置在例如脚、脚踝、腰部、手腕或头部上。
所测量的物理变量可以是例如加速度的大小、非重力加速度的大小、速度、角速度、运动、位置等。
例如,惯性传感器发出的值可以是沿着三个空间轴线之一的线性加速度或角速度。通过其他传感器,其他值可以是使用立体摄影测量法的脚在空间中的位置、或者使用具有压力传感器的力敏感鞋垫的在地面上的压力。
如图1a中所示,设备1包括处理及计算单元3,该处理及计算单元设置为:
-处理原始数据并且将原始数据分隔成不同的时间信号Ci,每个时间信号Ci是作为时间的函数所测量的物理变量的一系列点并且具有给定的形状、幅度和持续时间,系列Ci与图2中所示的N个步态周期中的人的给定单个周期i相关联;
-计算在与周期i相关联的信号Ci和与另一周期j相关联的另一信号Cj之间的至少一个相似性系数,该相似性系数表示这两个信号Ci和Cj之间的相似性,
-将周期i和j之间的相似性系数的值排序在方阵M(i,j)中,以第i行和第j列为索引,并且针对每个单元(i,j)指示该值;
在这些计算中并且在将所确定的值排序在矩阵M(i,j)中时,自然整数i和j的范围从1到N,并且对于给定的脚,所研究的N个步态周期根据其在步态序列中的顺序按时间顺序排序。
因此,例如,
-将周期1与周期2(m[1,2]或m[2,1])、周期3(m[1,3]或m[3,1])、周期4(m[1,4]或m[4,1])等...进行比较
-将周期2与周期1(m[2,1]或m[1,2])、周期3(m[3,1]或m[1,3])、周期4(m[2,4]或m[4,2])等...进行比较
以此类推。
通过设计,矩阵还示出了将周期1(m[1,1])、周期2等与它们自身进行比较的情况。
在图10A至图10D中示出了对原始数据的处理(“概略重新采样(compendresampling)”)和分隔,并且处理之后的不同时间信号Ci(上面)在图10D中被称为(其对应于文本中的术语C’i)。
相似性系数可以是:两个信号Ci和Cj的形状的相似性系数fij(如图4a和图4b中所表示)、两个信号Ci和Cj的幅度的相似性系数aij(如图5a和图5b中所表示)、或者两个信号Ci和Cj的持续时间的相似性系数dij(如图6a和图6b中所表示)。
例如,“系数”的同义词是数学意义上的术语“代数距离”,并且“相似性”的同义词是“相似度”。
术语“相似性”暗含着系数的对称性,并且因此fij=fji、aij=aji并且dij=dji。
在图中的特定数量的情况下,相似性系数可以被视为相关性系数。
可以使用其他相似性系数,这取决于要在两个信号之间进行比较的形状的方面:动态时间扭曲(DTW)、斯皮尔曼系数、欧几里德距离(L1、L2和L∞)。
因此,利用在范围[a;b]内变化的相似性系数,
-如果两个信号(或两个步态或跑步周期)相同,则系数可以等于b,并且
-如果两个信号(或两个步态或跑步周期)彼此没有相似度,则系数可以等于a,
信号之间的相似性在a与b之间线性增加。
有利地,处理及计算单元3被设置为:
-计算若干不同的相似性系数fij、aij和dij,每个相似性系数fij、aij或dij与相同的颜色标度相关联,无论使用哪种相似性系数(fij、aij或dij)每种颜色在相似性方面具有相同的含义,如图4a至图6b中所示;
-在不同的方阵[F(i,j),A(i,j),D(i,j)]中呈现相似性系数fij、aij、dij的值,每种类型的相似性系数一个方阵。
设备1还具有显示装置4,该显示装置链接到处理单元并且显示针对从1到N的i和j的矩阵M(i,j),每个相似性系数值在矩阵M(i,j)中由分度视觉表示来表示,使得可以用肉眼看到步态或跑步周期i和j之间的相似性。
有利地,相似性系数(fij、dij、aij)被选择为:
-使得一旦被计算出,则相似性系数(fij、aij、dij)的所有值都在同一区间[a;b]内,并且
-使得相似性系数(fij、aij、dij)的值越高,则信号Ci、Cj越相似。
有利地,该视觉表示是带分度的以表示相似性系数的值。换句话说,在相似性系数值的标度与颜色的标度之间存在对应关系。
该对应关系可以成比例也可以不成比例。
优选地,每个值由分度颜色标度上的颜色表示,以使得可以用肉眼看到两个步态或跑步周期i和j之间的相似性(这相当于研究两个信号Ci和Cj之间的相似性)。
有利地,显示装置4所使用的标度是无阈值地选择的或者是连续的,如图3至图6b中所示。
这里,对于形状相似性系数、幅度相似性系数和持续时间相似性系数,标度为[0,1],从而允许快速和容易地将不同的相似性系数彼此进行比较。
每个矩阵框可以具有与两步彼此的相似性/相似度的程度相对应的颜色。
暖色(例如红色)接近1并且表现出高度的相似度(相似性)。
冷色(例如蓝色)接近0并且表现出低度的相似度(相似性)。
应注意的是,这个标度在一方面的图3和另一方面的图4a至图6b之间反转:在图3中,深色表示相似度,而图4a至图6b中的情况则相反,其中浅色表示相似度。
显示装置4显示相似性的矩阵的视觉表示,使得:
-每个框表示信号Ci与信号Cj之间的相似性系数;
-相似性系数(fij、aij、dij)的值以分度颜色标度表示。
在图3中所示的第一实施方式中,表示了与人的一只脚(相应地,右脚或左脚)的步态或跑步有关的信号Ci和与同一只脚的步态或跑步有关的信号Cj之间的相似性系数,以及数字N=Nd(或Ng)周期,Nd是右脚的周期数(或者Ng是左脚的周期数)。
在图4a至图6b中所示的第二实施方式中,显示装置4显示:
-针对单脚3计算的相似性系数(fij、aij、dij);
-还有与人的右脚的步态或跑步有关的信号Ci和与人的左脚的步态或跑步有关的信号Cj之间的相似性系数(fij、aij、dij),并且N=Nd+Ng。
在这种情况下,右脚的所有研究周期、然后左脚的所有研究周期(或反之亦然)在矩阵的x轴和y轴上按时间顺序排列,如图4a至图6b中所示。在此,它们在表示中由区域O分隔,这产生了四个子方格。
因此,相似性矩阵:
-“右脚/右脚”由左下子方格表示;
-“左脚/左脚”由右上子方格表示;
-“左脚/右脚”由右下子方格表示。
当相似性系数是形状系数fij时,处理及计算单元3设置为:
-在持续时间方面,将每个时间信号Ci与每个时间信号Cj归一化,使得两个信号Ci和Cj具有相同的持续时间;
-在幅度方面,将每个时间信号Ci归一化;
-对于所有步态周期,在每个归一化信号C'i与另一个归一化信号C'j之间计算形状相似性系数fij。
换句话说,为了研究周期彼此之间的形状的相似度,需要消除它们的幅度差异和它们的持续时间差异。
例如,在持续时间方面的归一化是通过线性重新采样或通过DTW来进行的,如图10c中所示。
例如,通过将信号Ci除以标准偏差或均方根来进行幅度方面的归一化。
在第一实施方式中,形状相似性系数fij可以是皮尔森系数(Pearson’scoefficient),如图4a和图4b中所示,如果皮尔森系数的值低于零,则值返回到0。
其他数学距离也是可行的,例如斯皮尔曼相关性距离或动态时间扭曲技术。
如果仅对形状感兴趣,则消除幅度和持续时间是很重要的。为此,通过重新采样100个样本中的信号(在持续时间方面进行归一化)并将信号除以周期的标准偏差(在幅度方面归一化)来重新归一化信号。皮尔森相关性距离保留时间线并严格比较步伐的形状。斯皮尔曼相关性距离和动态时间扭曲使时间线变形并指示变形是否可以使两个周期的形状彼此相似或者形状是否真的不同。
在第二实施方式中,相似性系数可以是持续时间相似性系数dij。
在这种情况下,如图5a和图5b中所示,例如,处理及计算单元3设置为:
-计算信号Ci的持续时间Di和信号Cj的持续时间Dj,
-计算持续时间相似性系数dij,该持续时间相似性系数是两个持续时间Di、Dj中的最短持续时间与最长持续时间Di、Dj的比率,以便使系数的值在0至1之间。
信号Ci的持续时间等于样本的数量,每个样本是以给定频率规律性地取得的。
在第三实施方式中,相似性系数可以是幅度相似性系数。
在这种情况下,如图6a和图6b中所示,例如,处理及计算单元3设置为:
-计算信号Ci和信号Cj的幅度Ai、Aj,
-计算幅度相似性系数aij,该幅度相似性系数是最小幅度Ai、Aj与最大幅度Ai、Aj的比率,以便使系数的值在0至1之间。
幅度Ai和Aj例如是标准偏差或均方根。
一旦已经进行了计算找到相似性系数的值,
处理及计算单元3就设置为计算:
-用于评估步态的规律性的参数;
-用于评估步态的对称性的参数;
-建立步态序列或子序列所需的周期数。
具体地:
-评估步态的规律性的参数:矩阵M(i,j)[A(i,j),D(i,j),F(i,j)]的除单元i=j外的所有单元(i,j)的平均值,
-评估步态的规律性的参数:矩阵M(i,j)的除单元i=j外的所有单元(i,j)的标准偏差,
-评估步态的对称性的参数:单元的系数的平均值,其中i的范围从1到Nd(或从1到Ng),并且j的范围从Nd+1到Nd+Ng(j的范围从Ng+1到Nd+Ng)。
本发明还涉及图2中所示并使用上述设备1的方法。
如图2所示的方法包括:
-检测步骤(i),用于检测原始时间信号;
-处理和分隔步骤(ii),用于处理原始时间信号并且将原始时间信号分隔成不同的时间信号Ci;
-计算步骤(iii),用于计算相似性系数;
排序步骤(iv),用于将相似性系数的值排序在矩阵M(i,j)中第i行和第j列处;
其中,i和j是从1到N的自然整数,N个步态或跑步周期按时间顺序排序;
-显示步骤(v),用于显示矩阵M(i,j);
-由操作者进行的查看步骤(vi)。
由操作者进行的查看步骤可以确定:
-建立步态或跑步序列或步态子序列所需的周期数,步态或跑步子序列为:向后转弯、步行或跑步的开始、加速、减速、建立的节奏、停下、转弯;
-与低系数值相关联的颜色的单元的数量;
-周期是否具有与低或高系数值相关联的颜色的一个或多个单元;
-两个连续步态周期是否具有与低或高系数值相关联的颜色的一个或多个单元;
-通过色差发现练习期间步伐节奏的变化;
-将右脚-右脚单元的颜色与右脚-左脚单元的颜色进行比较。
处理及计算单元3可以被设计为对上面定义的周期数进行计数,或者根据预定阈值仅显示周期中的某些相似性系数值。
进行步态练习的过程的描述和根据AVC 2的对帕金森患者群体的描述。
步骤1:数据采集
在每只脚的脚背表面上佩戴三轴加速度计的受试者进行10米“往返”、开始-停止的步行练习。每个传感器三维地(沿着三个轴线x、y和z)记录时间信号。右脚和左脚的信号分别称为acc右和acc左,如图7的曲线所示。
步骤2:找到步态周期的开始
在信号中找到(手动或自动地)对应于步态周期的开始的时间。根据Mariani等人(2013)的定义,这些时刻对应于脚跟着地,即,脚跟接触地面的时刻。定义了τ右和τ左这两个集合,其分别对应于右脚的脚跟着地的集合和左脚的集合(图10A和图10B)。右脚的脚跟着地次数和左脚的该次数分别被称为Nd+1和Ng+1。右脚的步态周期i被定义为信号的从时刻τ右,i开始并且在下一个步态周期τ右,i+1的开始处结束的该部分,如图10A和图10B所示。因此,Nd和Ng分别是右脚和左脚的步态周期数。
步骤3:去除重力
在过程开始时或在预备步骤中,要求受试者保持直立和静止。记录该阶段期间加速度的值(常数)并将其存储为矢量
如图8的曲线所示,通过以下过程消除重力:
对于左脚重复相同的过程。
步骤4:计算大小
如图9的曲线所示,在每个时刻t计算加速度矢量的大小:
并且左脚为同样的方式。
加速度的三个轴线的此融合允许独立于传感器的位置,这是加速度计测量中测量不精确的主要原因。
步骤5:创建步态周期
如图10C至图10D的曲线所示,通过以下方式记录练习的步态周期的集合:
对于
步态练习的步态周期集合是使用的右脚周期和左脚周期获得的。
步骤6:计算度量
从所有这些步骤,确定时间信号Ci,时间信号包括作为时间的函数测量的物理变量的一系列点。
每个时间信号Ci具有给定的形状、幅度和持续时间,序列Ci与给定的周期i相关联,如图2中所示。
6.1一些初步说明
给定由N个样本{x1,x2,...,xN}组成的矢量x,定义以下量:
平均值:
标准偏差:
给定两个矢量x和y,定义如下:
协方差:
6.2持续时间度量
持续时间度量根据以下定义:
其中|cj|是周期j的元素的数量。
这是周期持续时间的比率,始终使用最长周期作为分母。
6.3幅度度量
幅度度量根据以下定义:
这是标准偏差的比率,总是使用最大幅度作为分母。
6.4形状度量
在这个阶段,周期并不都具有相同的长度。使用(“MATLAB2014a,TheMathWorks,Natick,2014”)的“resample”函数将每个周期的长度归一化为100个样本,如图10D中所示。被称为ci的归一化版本。
最后,形状度量根据以下定义:
其中
步骤7:设计可视化矩阵
以这种方式,对于一个步态练习获得三个矩阵
我们具有以下形式:
矩阵的详细描述
这里描述图4A至图6B。
本文档中呈现的附图是用于说明的目的。根据“locogram”的设计,尺寸在形状、幅度和持续时间之间没有差异。这里在图4A至图6B之间观察到的方格数量的差异是由于页面布局错误引起的。
对于相同距离下,健康受试者总共进行了38个周期,而帕金森病患者总共进行了54个,这显示了小步伐的病理步态(图4A和图4B)。在健康受试者的形状矩阵中,浅色的均匀方格显示出规律的步态(图4A)。在一个周期中观察到实现了建立的步行节奏,这是因为仅右脚的周期1与其他周期非常不同。对于帕金森病患者,形状矩阵的不均匀性显示出不规律的步态(图4B)。在两个周期中达到稳定的节奏(左脚的周期1和右脚的周期1)。
沿着“locogram”的对角线的均匀斑块是质量步行的迹象。实际上,这意味着这个均匀性斑块中的所有周期都彼此相似并且是规律的。
在图4A(健康受试者)中,这些斑块很长并且一直存在。它们中的两个针对每只脚区别开,并且它们对应于步态练习的步行往返。由黑色周期分隔开每只脚的步行往和步行返(例如,左下角和右上角方格中的中央十字:周期10,右脚),其对应于向后转弯周期,而不类似于正常的任何其他周期。
在图4B(具有病症的受试者)中,均匀的斑块较短。发现了若干均匀的斑块:右脚的周期2到6和周期20到25,左脚的周期2到7、周期10到14以及周期15到26。应注意的是,这些均匀斑块本质上是相对的。事实上,与图4B的“locogram”的其余部分相比,它们是均匀的,但与图4A的“locogram”相比相对不均匀。在图4B中,这些斑块处于步行的开始:受试者不累并且可以实现高质量的步行。这些斑块还处在练习结束时,这可以表明获得建立的步行节奏需要相当长的时间。在练习中间,步态已经恶化,正如没有均匀斑块所证明的那样。
此外,观察到不稳定周期,表明在时间上非常局部化的不规律性(僵硬、绊脚):例如,右脚的周期19,左脚的周期8和9。最后,还观察到时间上散布更多的采取不均匀斑块的形式的不规律性:例如,右脚的周期15至20,和左脚的周期15至20。应注意的是,这两个不均匀斑块紧跟在向后转弯之后。这可以表示难以进行向后转弯和在向后转弯之后恢复质量步行。在图4A中没有观察到不均匀或不稳定周期的斑块。
向后转弯也是运动质量的指标。在图4A(健康受试者)中,向后转弯仅涉及一个周期,即生理上的:右脚的周期10。在图4B(具有病症的受试者)中,向后转弯涉及两个周期:右脚的周期14,和左脚的周期15。可以看出,图4B中的向后转弯对其附近的周期(左脚的周期14至17较暗)具有影响,而在图4A中未观察到这种影响。
在健康受试者的幅度矩阵中,在周期之间的加速度幅度的相似性的增加然后减小是建立巡航速度的证据(图5A)。对于帕金森病患者而言,这种增加和减少的可见性较低(图5B)。
在控制受试者的持续时间矩阵中,比帕金森病患者的总体颜色更亮是在持续时间方面步态周期之间更相似的证据(图6A和图6B)。颜色的均匀性是在持续时间方面步态周期之间的可变性较小的证据。
对40个受试者使用“LOCOGRAM”进行数值分析
我们计算步态周期的持续时间的标准偏差(SD)(没有前三个周期的步态周期、向后转弯前的三个周期、向后转弯的周期、向后转弯之后的三个周期以及练习的最后三个周期的集合):
P0=SD|ci|i=建立的步态
其中|ci|是ci的样本的数量。
我们计算建立的步态的“locogram”的平均值:
我们计算建立步态的“locogram”的标准偏差:
我们计算使用相同的停止规则获得的“locogram”上的层次聚类的数量:
表1示出了对健康受试者(年轻人和老年人)和患有帕金森病的患者的两个组的参数{P1,P2,P3}进行比较的结果。表2示出了将参数{P1,P2,P3}与帕金森病患者的疾病临床严重程度(使用UPDRS III评分评估)和步态质量(使用步行速度和P0评估)进行比较的结果。
结果显示,对于从“locogram”获得的3个参数{P1,P2,P3},患有帕金森病的患者的“locogram”的颜色明显比老年人和年轻人健康受试者的颜色变化更大(表1)。
此外,在临床表现(UPDRS III评分)与根据从“locogram”获得的三个参数{P1,P2,P3}通过“locogram”评估的步态质量之间存在相关性(表2)。
最后,在使用现有技术的参数(步行速度和P0)评估的步态质量与根据三个参数{P1,P2,P3}通过“locogram”评估的步态质量之间存在相关性(表2)。
因此,对于40个受试者的组,“locogram”使得可以在数字上(和视觉上)评估患有帕金森病的患者的步态质量。
矩阵的优点
在图4A和图6B中显示的针对10米“往返”、停止-开始步行练习计算的可视化矩阵提供对以下步态参数的访问:
-进行练习所需的周期数;
-向后转弯所需的周期数;
-开始步行所需的周期数。
可视化矩阵比列表更直观地呈现这些参数。此外,对于后两个参数,在文献中的定义是基于通过实验固定的阈值。全局表示而不是一个参数的表示的益处是可以避免由任意阈值导致的错误。
可视化矩阵的形状使其可以回答以下问题:
-整体步态是否规律?
-受试者是否达到了建立的步行节奏?在什么时间点?
-是否存在若干不同的建立的步行节奏?
-是否存在不稳定的步态周期(僵硬)?在什么时间点?
与没有时间值的参数不同,可视化矩阵使得可以了解步态练习的进度。可视化矩阵提供对步行节奏概念的访问,这是一种我们没有除了步态周期后的参数步态周期的时间顺序跟踪之外的研究工具的概念。
每个个体都有特定的步行方式,这会引起参数的广泛个体间变化。通过在健康受试者中的前后步态周期的非常可再现的特征,在信号中指示该方式。参数不是描述此特征的合适工具。具有适当选择的距离的可视化矩阵(参见“具体实施方式”)将步伐的形状进行比较并评估一个周期的特征与其他步态周期的相似度。因此,它评估步态的质量和再现性并且消除个性化方式,因为个体变化在同一个人的两个周期之间的空间中被抵消。可视化矩阵为每个受试者提供数字在0和1之间的单元表格。这使得可以以可靠的方式将可视化矩阵彼此进行比较。
可视化矩阵提供对以前未见过的新步态参数的访问,诸如:
-具有相同停止规则的集群的数量:具有病症的受试者将具有更多。
-使用表格的所有方格的平均值和标准偏差计算的步态可变性,保持或排除向后转弯或开始步行的步伐。
这使得可视化矩阵成为用于测量长步行的有用工具,其将显示受试者是否使用两种不同的步态节奏,这是一种有用的临床指标(例如,骨关节炎疼痛的发作或帕金森病的僵硬)。
步行是假周期活动,其自然细分为由步行节奏中的生理变化(即,开始、向后转弯和停止)或建立的步态中的病理不规律调节的周期。在步行练习中,存在不同的步态周期,诸如,开始步行的周期(前四个周期)、建立的步态周期、准备向后转弯的周期、向后转弯周期和停止步行的周期。基于该属性,可视化矩阵使得可以使用相同的方法表示所有步行时间。这使得可视化矩阵成为在门诊环境中表示步行的合适工具,涵盖步行的所有阶段。
可视化矩阵的主要应用是步行练习的可视化。可视化矩阵可以用于任何步伐练习,包括上述10米“往返”练习、计时开始(Timed Up and Go)测试以及跑步机步行和走动步行。
可视化矩阵适用于通过使用皮尔森的相关性距离比较步态周期,通过放置在脚背面上的加速度计的加速度的大小测量的10米“往返、停止-开始步行练习的可视化。该过程适用于常规临床会诊,并允许在临床环境中直接查看概括表示。
表1:YC、EC和PD的P1、P2和P3的组间比较。
表2:{P1,P2,P3}和{UPDRS III,步行速度,P0}之间的PD组内相关性
Claims (21)
1.一种方法,允许通过视觉表示:
-通过将单独取得的每个周期与单独取得的每个其他周期进行比较,对同一个人的N个步态或跑步周期的序列的规律性和对称性进行时间分析,
-并且确定不稳定周期的存在和数量以及建立步态或跑步节奏所需的周期数,以及在哪个点达到这些不稳定步态周期和节奏,
所述方法包括以下步骤:
·测量步骤(i),用于测量原始时间信号,所述原始时间信号是惯性的或与人的至少一个身体肢段的物理运动变量有关,
·处理及计算步骤,细分为:
-处理及分隔步骤(ii),用于处理所述原始时间信号并且将所述原始时间信号分隔成不同的时间信号Ci,以便将步态或跑步分解成步态或跑步周期,
每个时间信号Ci是所测量的物理变量的一系列时间点并且具有给定的形状、幅度和持续时间,系列Ci与人的步态或跑步的给定周期i相关联;
-计算步骤(iii),用于计算在与步态或跑步周期i相关联的信号Ci和与同一个人的步态或跑步周期j相关联的另一信号Cj之间的至少一个相似性系数,
所述相似性系数为:
两个所述信号Ci和Cj的独立于所述幅度和所述持续时间的所述形状的相似性系数fij,其中fij=fji,或者
两个所述信号Ci和Cj的独立于所述形状和所述持续时间的所述幅度的相似性系数aij,其中aij=aji,或者
两个所述信号Ci和Cj的独立于所述形状和所述持续时间的所述持续时间的相似性系数dij,其中dij=dji,
·排序步骤(iv),用于将所述相似性系数fij、aij或dij的值排序在方阵M(i,j)中第i行和第j列处;
其中,i和j是从1到N的自然整数,所述N个步态或跑步周期根据其在步态或跑步序列中的顺序按时间顺序排序;
·显示步骤(v),用于通过在两个极值之间的连续无阈值的区间内的所述相似性系数fij、aij或dij的值的视觉表示来显示所述方阵M(i,j),所述相似性系数fij、aij或dij的值示出在所述方阵M(i,j)的单元(i,j)中,
使得能够在视觉上并且同时地:
-通过对单独取得的每个周期与单独取得的每个其他周期进行比较,而确定同一个人的所有步态和跑步周期i和j之间的相似性,
-确定不稳定周期数和建立步态或跑步节奏所需的周期数,以及在所述序列中的哪个点达到这些不稳定周期和节奏。
2.根据前一权利要求所述的方法,其特征在于,在所述处理及计算步骤中,确定在与人的右脚(或左脚)的步态或跑步有关的信号Ci和与同一个人的右脚(或左脚)的所述步态或跑步有关的信号Cj之间的相似性系数,并且其特征在于,N=Nd(或Ng),Nd是右脚的周期数(或Ng是左脚的周期数)。
3.根据前述权利要求2所述的方法,其特征在于,在所述处理及计算步骤中,还确定在与人的右脚的所述步态或跑步有关的所述信号Ci和与同一个人的左脚的所述步态或跑步有关的所述信号Cj之间的相似性系数,并且其特征在于,周期数N等于右脚的周期数与左脚的周期数之和:N=Nd+Ng。
4.根据前述权利要求中任一项所述的方法,其特征在于,所确定的步态或跑步节奏是:一个或多个建立的节奏、所述步态或跑步序列的开始、或向后转弯。
5.根据前述权利要求中任一项所述的方法,其特征在于,在所述显示步骤(v)中,所述相似性系数的每个值由对应于相似性系数的标度的连续分度标上的颜色表示。
6.根据前一权利要求5所述的方法,其特征在于:
-在所述处理及计算步骤中,计算三个不同的所述相似性系数fij、aij和dij,每个相似性系数fij、aij或dij与其他相似性系数的相同颜色标度相关联,无论使用哪种相似性系数,每种颜色在相似性方面具有相同的含义;
-在所述显示步骤(v)中,所述相似性系数fij、aij、dij的值呈现在不同的方阵[F(i,j),A(i,j),D(i,j)]中;
所述相似性系数被选择为:
-使得一旦被计算出,则所述相似性系数fij、aij、dij的所有值都在同一区间[a;b]内,并且
-使得所述相似性系数fij、aij、dij的值越高,则所述信号Ci、Cj越相似。
7.根据前述权利要求中任一项所述的方法,其特征在于,所述相似性系数是形状系数fij,并且其特征在于,在所述处理及计算阶段中:
-在持续时间方面,每个时间信号Ci与每个时间信号Cj被归一化,使得两个所述信号Ci和Cj具有相同的持续时间;
-在幅度方面,将每个时间信号Ci归一化;
-对于所有步态或跑步周期,在每个归一化的信号C'i与另一个归一化的信号C'j之间计算形状相似性系数fij。
8.根据前一权利要求所述的方法,其特征在于,所述形状相似性系数fij是皮尔森系数,如果皮尔森系数的值低于零,则所述相似性系数的值回到0。
9.根据前述权利要求中任一项所述的方法,其特征在于:
-所述相似性系数是持续时间相似性系数dij,
-处理及计算单元(3)被设置为:
-计算所述信号Ci的持续时间Di和所述信号Cj的持续时间Dj,
-计算所述持续时间相似性系数dij,所述持续时间相似性系数是两个所述持续时间Di、Dj中的最短持续时间与最长持续时间Di、Dj的比率。
10.根据前述权利要求中任一项所述的方法,其特征在于:
-所述相似性系数是幅度相似性系数aij,
-并且处理及计算单元(3)被设置为:
-计算所述信号Ci的幅度Ai和所述信号Cj的幅度Aj,
-计算所述幅度相似性系数aij,所述幅度相似性系数是最小幅度Ai、Aj与最大幅度Ai、Aj的比率。
11.根据前一权利要求所述的方法,其特征在于,所述幅度Ai、Aj是标准偏差或均方根。
12.根据前述权利要求中任一项所述的方法,其特征在于:
-计算用于评估所述步态或跑步的规律性的参数;
-计算用于评估所述步态或跑步的对称性的参数;
-计算步态或跑步序列或子序列所需的周期数。
13.根据前一权利要求所述的方法,其特征在于,计算以下内容以确定所述步态或跑步的规律性:
-所述方阵M(i,j)的除单元i=j外的所有单元(i,j)的平均值,
-所述方阵M(i,j)的除单元i=j外的所有单元(i,j)的标准偏差,
-单元的平均值,i的范围从1到Nd(或从1到Ng),并且单元j的范围从Nd+1到Nd+Ng(或单元j的范围从Ng+1到Nd+Ng)。
14.根据前述权利要求中任一项所述的方法,其特征在于,所测量的物理变量选自以下列表:加速度的大小、非重力加速度的大小、速度、角速度、运动、位置或当人在设备上移动时施加的力。
15.根据权利要求1至14中任一项所述的方法,其中,在计算所述相似性系数之前,在所述计算步骤(iii)中自动或手动地处理和分隔所述原始时间信号。
16.一种设备(1),允许通过视觉表示:
-通过将单独取得的每个周期与单独取得的每个其他周期进行比较,对同一个人的N个步行或跑步周期的序列的规律性和对称性进行时间分析,
-并且确定不稳定周期的存在和数量以及建立步态或跑步节奏所需的周期数,以及在所述序列中的哪个点达到这些不稳定周期和节奏,
所述设备(1)包括:
·传感器(2),用于测量原始时间信号,所述原始时间信号是惯性的或与人的至少一个身体肢段的物理运动变量有关,
·处理及计算单元(3),连接到测量传感器(2)并被设置为:
-处理所述原始时间信号并且将所述原始时间信号分隔成不同的时间信号Ci,每个时间信号Ci是所测量的物理变量的一系列时间点并且具有给定的形状、幅度和持续时间,系列Ci与人的给定的步态或跑步周期i相关联;
-计算在与所述步态或跑步周期i相关联的信号Ci和与同一个人的步态或跑步周期j相关联的另一信号Cj之间的至少一个相似性系数,
所述相似性系数为:
两个所述信号Ci和Cj的独立于所述幅度和所述持续时间的所述形状的相似性系数fij,其中fij=fji,或者
两个所述信号Ci和Cj的独立于所述形状和所述持续时间的所述幅度的相似性系数aij,其中aij=aji,或者
两个所述信号Ci和Cj的独立于所述幅度和所述形状的所述持续时间的相似性系数dij,其中dij=dji,
-将所述相似性系数fij、aij或dij的值排序在方阵M(i,j)中第i行和第j列处;
其中,i和j是从1到N的自然整数,N个所述步态或跑步周期根据其在步态或跑步序列中的顺序按时间顺序排序,
·显示装置(4),连接到所述处理及计算单元(3),通过在两个极值之间的连续无阈值的区间内的所述相似性系数fij、aij或dij的值的视觉表示来显示所述方阵M(i,j),所述相似性系数的值示出在所述方阵M(i,j)的单元(i,j)中,
使得能够同时地查看:
-在同一个人的所有步态和跑步周期i和j之间的相似性,以及
-不稳定周期的存在和数量以及建立步态或跑步节奏所需的周期数,以及在所述序列中的哪个点达到这些不稳定周期和节奏。
17.根据前一权利要求16所述的设备,其特征在于,处理及计算装置确定在与人的右脚(或左脚)的步态或跑步有关的信号Ci和与同一个人的右脚(或左脚)的所述步态或跑步有关的信号Cj之间的相似性系数,并且其特征在于,N=Nd(或Ng),Nd是右脚的周期数(或Ng是左脚的周期数)。
18.根据前一权利要求17所述的设备,其特征在于,所述处理及计算装置还确定在与人的右脚的所述步态或跑步有关的信号Ci和与同一个人的左脚的所述步态或跑步有关的信号Cj之间的相似性系数,并且其特征在于,周期数N等于右脚的周期数与左脚的周期数之和:N=Nd+Ng。
19.根据前述权利要求15至18中任一项所述的设备,其特征在于,所确定的步态或跑步节奏是:一个或多个建立的节奏、所述步态或跑步序列的开始、或向后转弯。
20.根据前述权利要求15至19中任一项所述的设备,其特征在于,在所述显示步骤(iv)中,所述相似性系数的每个值由对应于相似性系数的标度的连续分度标上的颜色表示。
21.根据前述权利要求15至20中任一项所述的设备,其特征在于,所述测量传感器(2)是:加速度计、陀螺仪、肌电图、鞋垫压力传感器、红外运动采集设备或力平台,并且其特征在于,所测量的物理变量选自以下列表:加速度的大小、非重力加速度的大小、速度、角速度、运动、位置或当人在设备上移动时施加的力。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR1770031A FR3061787A1 (fr) | 2017-01-10 | 2017-01-10 | Outil pour analyser les exercices de marche |
FR1770031 | 2017-01-10 | ||
PCT/EP2018/050450 WO2018130521A1 (fr) | 2017-01-10 | 2018-01-09 | Logiciel locogramme: outil pour analyser les exercices de marche |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110545723A true CN110545723A (zh) | 2019-12-06 |
Family
ID=58670072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880006373.6A Pending CN110545723A (zh) | 2017-01-10 | 2018-01-09 | Locogram软件:用于分析步态练习的工具 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11253172B2 (zh) |
EP (1) | EP3568074A1 (zh) |
JP (1) | JP2020513203A (zh) |
CN (1) | CN110545723A (zh) |
FR (1) | FR3061787A1 (zh) |
WO (1) | WO2018130521A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114469073A (zh) * | 2021-12-13 | 2022-05-13 | 中国科学院深圳先进技术研究院 | 基于步可穿戴传感器的步态分析与异常检测方法 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7439353B2 (ja) * | 2019-08-29 | 2024-02-28 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ | 認知機能評価方法、認知機能評価装置及び認知機能評価プログラム |
CN114287921A (zh) * | 2021-12-23 | 2022-04-08 | 常州信息职业技术学院 | 一种步态双侧相似性分析方法、装置及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010057552A1 (de) * | 2008-11-19 | 2010-05-27 | Zebris Medical Gmbh | Anordnung zum training des ganges |
US20120029865A1 (en) * | 2010-07-27 | 2012-02-02 | National Yang Ming University | Methods for behavior pattern analysis |
CN102670207A (zh) * | 2012-05-15 | 2012-09-19 | 北京大学 | 一种基于足底压力的步态分析方法 |
CN105105756A (zh) * | 2015-07-24 | 2015-12-02 | 重庆三峡学院 | 一种便携式平衡能力及步态分析传感装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5417204B2 (ja) * | 2010-01-28 | 2014-02-12 | 日本電信電話株式会社 | 歩行情報抽出装置、歩行情報抽出方法、及び歩行情報抽出プログラム |
JP5978687B2 (ja) * | 2012-03-22 | 2016-08-24 | 富士ゼロックス株式会社 | 移動状況判定プログラム及び移動状況判定装置 |
JP6375733B2 (ja) * | 2014-07-03 | 2018-08-22 | 富士通株式会社 | 計測装置、計測方法及び計測プログラム |
FI125723B (en) * | 2014-07-11 | 2016-01-29 | Suunto Oy | Portable activity tracking device and associated method |
JP2016106948A (ja) * | 2014-12-09 | 2016-06-20 | シャープ株式会社 | 歩数計測装置、歩行機能判定装置および歩数計測システム |
US10576619B2 (en) * | 2014-12-26 | 2020-03-03 | Samsung Electronics Co., Ltd. | Assisting torque setting method and apparatus |
JP6557995B2 (ja) * | 2015-03-02 | 2019-08-14 | 富士通株式会社 | 計測プログラム、計測装置及び計測方法 |
EP3257437A1 (en) * | 2016-06-13 | 2017-12-20 | Friedrich-Alexander-Universität Erlangen-Nürnberg | Method and system for analyzing human gait |
-
2017
- 2017-01-10 FR FR1770031A patent/FR3061787A1/fr not_active Withdrawn
-
2018
- 2018-01-09 CN CN201880006373.6A patent/CN110545723A/zh active Pending
- 2018-01-09 JP JP2019557680A patent/JP2020513203A/ja active Pending
- 2018-01-09 WO PCT/EP2018/050450 patent/WO2018130521A1/fr unknown
- 2018-01-09 EP EP18700200.1A patent/EP3568074A1/fr active Pending
- 2018-01-09 US US16/476,484 patent/US11253172B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010057552A1 (de) * | 2008-11-19 | 2010-05-27 | Zebris Medical Gmbh | Anordnung zum training des ganges |
US20120029865A1 (en) * | 2010-07-27 | 2012-02-02 | National Yang Ming University | Methods for behavior pattern analysis |
CN102670207A (zh) * | 2012-05-15 | 2012-09-19 | 北京大学 | 一种基于足底压力的步态分析方法 |
CN105105756A (zh) * | 2015-07-24 | 2015-12-02 | 重庆三峡学院 | 一种便携式平衡能力及步态分析传感装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114469073A (zh) * | 2021-12-13 | 2022-05-13 | 中国科学院深圳先进技术研究院 | 基于步可穿戴传感器的步态分析与异常检测方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3568074A1 (fr) | 2019-11-20 |
US20190380623A1 (en) | 2019-12-19 |
JP2020513203A (ja) | 2020-05-07 |
FR3061787A1 (fr) | 2018-07-13 |
US11253172B2 (en) | 2022-02-22 |
WO2018130521A1 (fr) | 2018-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3468450B1 (en) | Method and system for analyzing human gait | |
Pau et al. | Clinical assessment of gait in individuals with multiple sclerosis using wearable inertial sensors: Comparison with patient-based measure | |
US9179862B2 (en) | Method and system for assessing locomotive bio-rhythms | |
Moe-Nilssen et al. | Interstride trunk acceleration variability but not step width variability can differentiate between fit and frail older adults | |
Ricci et al. | Assessment of motor impairments in early untreated Parkinson's disease patients: the wearable electronics impact | |
US20120253233A1 (en) | Algorithm for quantitative standing balance assessment | |
US20040230138A1 (en) | Physical movement analyzer and physical movement analyzing method | |
WO2013129606A1 (ja) | ランニングフォーム診断システムおよびランニングフォームを得点化する方法 | |
Watari et al. | Validation of a torso-mounted accelerometer for measures of vertical oscillation and ground contact time during treadmill running | |
KR102128267B1 (ko) | 제자리 걸음 특성 정보를 이용한 보행 능력 예측 방법 및 시스템 | |
Merchán-Baeza et al. | Reliability in the parameterization of the functional reach test in elderly stroke patients: a pilot study | |
CN110545723A (zh) | Locogram软件:用于分析步态练习的工具 | |
Horsley et al. | Does site matter? impact of inertial measurement unit placement on the validity and reliability of stride variables during running: a systematic review and meta-analysis | |
Andrade et al. | Pelvic movement variability of healthy and unilateral hip joint involvement individuals | |
US20180168500A1 (en) | System and Method for Identification of Brain Injury | |
Di Gironimo et al. | Towards a new monitoring system to detect illegal steps in race-walking | |
Strohrmann et al. | A data-driven approach to kinematic analysis in running using wearable technology | |
US20230355135A1 (en) | Intelligent gait analyzing apparatus | |
KR102128268B1 (ko) | 발 특성 정보를 이용한 보행 능력 예측 방법 및 시스템 | |
Prajapati et al. | A review on clinical gait analysis | |
Tsakanikas et al. | Gait and balance patterns related to Free-Walking and TUG tests in Parkinson’s Disease based on plantar pressure data | |
Xie et al. | Wearable multisource quantitative gait analysis of Parkinson's diseases | |
Yang et al. | Empowering a gait feature-rich timed-up-and-go system for complex ecological environments | |
Tokmak et al. | Unveiling the relationships between seismocardiogram signals, physical activity types and metabolic equivalent of task scores | |
KR20230016211A (ko) | 걸음걸이 분석 시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191206 |
|
WD01 | Invention patent application deemed withdrawn after publication |