CN111326232A - 一种基于三维步态分析系统鉴别异常步态形式的方法 - Google Patents
一种基于三维步态分析系统鉴别异常步态形式的方法 Download PDFInfo
- Publication number
- CN111326232A CN111326232A CN202010189084.3A CN202010189084A CN111326232A CN 111326232 A CN111326232 A CN 111326232A CN 202010189084 A CN202010189084 A CN 202010189084A CN 111326232 A CN111326232 A CN 111326232A
- Authority
- CN
- China
- Prior art keywords
- gait
- data
- dimensional
- human body
- parameters
- 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 abstract description 182
- 238000004458 analytical method Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 42
- 206010017577 Gait disturbance Diseases 0.000 title claims abstract description 32
- 238000002567 electromyography Methods 0.000 claims description 15
- 210000000629 knee joint Anatomy 0.000 claims description 9
- 210000000544 articulatio talocruralis Anatomy 0.000 claims description 8
- 230000007547 defect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 7
- 238000011282 treatment Methods 0.000 description 20
- 210000003127 knee Anatomy 0.000 description 12
- 210000002683 foot Anatomy 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 7
- 210000003205 muscle Anatomy 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 239000003550 marker Substances 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 208000032170 Congenital Abnormalities Diseases 0.000 description 3
- 230000007698 birth defect Effects 0.000 description 3
- 206010008129 cerebral palsy Diseases 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 210000003141 lower extremity Anatomy 0.000 description 3
- 210000001699 lower leg Anatomy 0.000 description 3
- 210000001698 popliteal fossa Anatomy 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 206010010356 Congenital anomaly Diseases 0.000 description 2
- 208000006011 Stroke Diseases 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 210000001503 joint Anatomy 0.000 description 2
- 210000002414 leg Anatomy 0.000 description 2
- 230000007659 motor function Effects 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 208000030090 Acute Disease Diseases 0.000 description 1
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 206010017076 Fracture Diseases 0.000 description 1
- 206010019468 Hemiplegia Diseases 0.000 description 1
- 206010061599 Lower limb fracture Diseases 0.000 description 1
- 206010061296 Motor dysfunction Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 210000001142 back Anatomy 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 210000002216 heart Anatomy 0.000 description 1
- 238000010832 independent-sample T-test Methods 0.000 description 1
- 238000011337 individualized treatment Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007427 paired t-test Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 210000002027 skeletal muscle Anatomy 0.000 description 1
- 230000037078 sports performance Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 210000002303 tibia Anatomy 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Mathematical Optimization (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Computational Mathematics (AREA)
- Epidemiology (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Databases & Information Systems (AREA)
- Dentistry (AREA)
- Probability & Statistics with Applications (AREA)
- Physical Education & Sports Medicine (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physiology (AREA)
- Operations Research (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于三维步态分析系统鉴别异常步态形式的方法，包括从三维步态分析系统中确定与被测对象对应的人体步态数据和对应的标准化模型；通过三维步态系统采集被测对象的人体步态数据，基于被测对象的人体步态数据和三维步态系统，并将被测对象的步态分期数据参数与标准化模型的数据参数进行比对，确定被测对象具有的异常步态分期以及异常步态特征参数；以及确定被测对象的异常步态的形式和原因。本发明的三维步态系统包括了数据库标准化模型的建立方法，能够通过预先采集当地或者国内人群的人体步态数据，使得在后期进行异常步态分析的过程中误差降低，能够更好为临床分析提供更准确的分析结果。
Description
技术领域
本发明具体涉及到一种基于三维步态分析系统鉴别异常步态形式的方法。
背景技术
步态是指人们行走时的方式，这是一种复杂的行为特征。同时，步态特征又具有较高的稳定性和特定性。步态特征的分析有着多方面的研究价值，在医疗领域，对于进行康复治疗的人进行步态分析，以确定治愈程度和康复计划的可行性；在运动领域，结合运动生物力学来帮助运动员更高效地进行体育运动、以优化和提高运动成绩；在人身识别方面，虽然现在的识别方法较为先进，例如人脸识别，指纹识别，虹膜识别等，但是步态识别方法在人身识别方法中独具特征，远距离性和隐蔽性等。还可以结合行为人步态的变化来对足迹特征作出具体的量化分析，对足迹学进行更深入的量化研究。
三维步态分析系统主要由三维动作捕捉系统、三维测力台、无线表面肌电仪、足底压力组成。三维步态分析系统采集人体在步行过程中各个关节点的精确三维坐标，足底与支撑面之间的压力（垂直、左右、前后三个方向的力），并结合表面肌电系统采集的EMG信号，通过专业的步态分析软件进行三维重建与模型分析，从而得到人体运动时的步态参数。
目前在出生缺陷儿童的运动功能评估和康复治疗中，异常步态的分析越来越受到重视；尤其是随着三维步态分析系统量化与可视化分析的大量运用，可以更加准确地对患儿的神经系统和骨骼肌肉系统损伤进行诊断和评估。三维步态分析也能够对异常步态中运动学参数、动力学参数、时空参数等进行量化分析，对大体步态进行可视化分析，有助于步态重建和矫形。
从国外成熟的分析与评估模式来看，针对出生缺陷儿童异常步态的特征识别和临床研究将极大提供临床诊断的准确性，对治疗方案的选择将提供最精准的数据参考，对治疗效果可以完美实现标准化数据比对和分析，对治疗预后也可以给予最大程度的参考。
文献1：中国专利CN201610160391.2 步态分析系统及方法中，公开了一种步态分析系统，包含足部感测单元，包含：
至少一压力感测元件，用以感测压力信息；
膝部感测单元，包含：
第一惯性感测元件，用以感测第一膝部三维角度信息；以及
第二惯性感测元件，用以感测第二膝部三维角度信息；
支撑单元，包含一支撑压力感测元件与一支撑惯性感测元件，用以产生支撑压力数据与支撑角度信息，其中所述支撑单元与所述足部感测单元更用以产生所述足部感测单元与所述支撑单元的相对位置信息；
可携式装置，用以根据所述压力信息、所述第一膝部三维角度信息、所述第二膝部三维角度信息与反作用力方向模型产生反作用力方向信息，根据所述压力信息、所述第一膝部三维角度信息、所述第二膝部三维角度信息、所述反作用力方向信息、胫骨长度与膝关节力矩模型产生膝关节力矩，根据所述压力信息、所述第一膝部三维角度信息与所述第二膝部三维角度信息其中一者以及步态模型决定步态信息，根据所述步态信息、所述膝关节力矩与所述步态模型产生步态分析结果，其中是通过机器学习方法建立所述步态模型，
以及，所述可携式装置更用以根据所述支撑压力数据与所述支撑角度信息计算支撑重量信息，并通过使用者介面显示所述支撑重量信息与所述相对位置信息，其中所述相对位置信息可用以判断使用者使用所述支撑单元时的步态稳定性。上述专利通过可携式装置来采集压力信息、膝部三维信息以及力矩信息，通过上述信息来判断步态的状态和稳定性。也由此可见，三维步态数据是分析人体运动状态的基础。
文献2：张朕.Codamotion三维动作捕捉系统在步态分析中的应用[J].科技咨询.2019,（09）：1672-3791.
文献2公开了Codamotion系统是世界上较为先进的三维动作捕捉系统，以主动红外捕捉的方式，获取被捕捉物体各环节的动作，提供便捷、高效、精确的三维数据采集，被广泛应用于动作科研分析、步态生物力学研究、临床步态分析、神经行为和感知、人机工程学等各个领域。单个采集点动态采集频率最高达5800hz，分辨率高达0.05mm，完全可以适用于人体各种运动动作的分析中。Codamotion系统可在数分钟内完成任意marker方案的设定，自定义曲线图表、棍状演示图、实时设置、关节角度、刚体均可定义，做到精确分析单个标记点的位置变化以及多个标记点之间的相对关系，对人体的步态特征进行量化描述。
文献3：杜志伟，陈艳，王路，邓怡平，吴立德.三维运动平台训练对脑卒中偏瘫患者膝过伸步态的影响研究. 中国康复.2009(9)：469-472.
文献3公开了三维运动平台能够提供更全面以及多样化的训练模式，从而 改善膝过伸步态。而三维步态分析系统能准确反馈步行中关节变化的程度，在偏瘫患者下肢步行过程中评估关节运动参数、改善步态等有较好的应用前景。采用三维运动平台训练系统对脑卒中膝过伸患者进行训练，为改善偏瘫患者异常步态提供指导。
文献4：张博峰、张静茹等.基于人类行走模型的步态特征提取方法研究[J].计算机应用与软件，2009,5：198-207.
文献4中公开了三维步态分析的模型，可以把人体抽象为相互连接的刚体，由多个关键点和多个关节组成。同时还公开了特征提取方法，可以通过运动捕捉系统采集基于三维步态模型人体步态时的运动学数据，并详细说明了步态的周期特征划分方法、步态的脚印特征计算方式等。
文献5：叶思航. 基于三维动作捕捉的下肢骨折术后步态分析.
文献5公开了针对骨折患者的康复情况设计了一套步态测试方案。利用三维动作捕捉系统，采集患者的大腿、小腿、脚部的运动数据，从而得到患者行走时的步态时空参数和运动学参数。然后根据患者的运动能力和医师的需要，确定了需要计算的步态参数。不同于传统的测力鞋垫测步态参数的方法，该步态测试方案不仅能计算步态的二维统计特征，而且能分析各骨骼关节三维空间步态特征。本文研究了患者的步态数据处理方法。通过MotionVenus 软件完成了对患者步态模型的建立。对于患者步态周期中特征点的计算，给出了计算方法，并且在 Unity3D 中创建了步态分析动画，用于步态结果分析。结合虚拟现实技术，重现了患者的步态动作，以用于后续的康复评定。
现有技术中，三维步态分析系统在国内运用于临床儿童运动功能评价还存在许多问题。现有的三维步态分析系统缺乏国内儿童的正常数据库，目前所能使用的数据库均为西方的三维步态分析系统公司提供的数据库。而西方人和东方人的步态并不是完全相同的，用西方人的正常值范围来衡量及评价东方人的步态情况是不完全准确的。因此，需要一种方法来建立新的三维步态分析系统中可以使用的数据库以及标准化模型。
基于数据库的人体建模方法有多种选择，国内用于人体运动仿真的软件主要有LifeMOD、AnyBody、ANSYS等，这些软件有自身的缺点，如肌肉控制不精确、价钱昂贵等。为了更好地解决人体运动仿真问题，斯坦福大学研发了OpenSim，它是一款应用于人体肌肉骨骼模型开发、模拟仿真和运动分析的开源免费软件。
OpenSim的人体建模理论主要来源于Hill方程和Hill肌肉三元素模型。整个模拟过程主要由模型缩放（scaling）、逆向运动学（inverse kinematics, IK）、残差缩减（residual reduction algorithm, RRA）和肌肉计算控制（computed muscle control,CMC）四步组成。
OpenSim常采用某一个人的身高、体重数据以及肌肉特征数据建立通用模型，要得到个体化的模型就需要对通用模型进行缩放。模型缩放以实验室测试标记点数据为依据，根据实验数据与通用模型中人体环节点之间的比例，对各环节的长度和质量进行缩放。在缩放过程中，用最小二乘法控制实验中标记点与模型中理论点之间的误差。
发明内容
本发明的目的是提供一种基于三维步态分析系统鉴别异常步态形式的方法。
为达上述目的，本发明的一个实施例中提供了一种基于三维步态分析系统鉴别异常步态形式的方法，包括以下步骤：
（1）从三维步态分析系统中确定与被测对象对应的人体步态数据和对应的标准化模型；
（2）通过三维步态系统采集被测对象的人体步态数据，人体步态数据包括运动学数据组、动力学数据组和表面肌电学数据组，每个数据组中包括若干参数；确定步速、步长、步幅、步频、总支撑相时间、摆动相时间、初始双支撑相时间的各个参数的数据；
（3）基于被测对象的人体步态数据和三维步态系统，将被测对象的步态周期划分出与标准化模型中相同的步态分期，确定每个步态分期的数据参数，并将被测对象的步态分期数据参数与标准化模型的数据参数进行比对，确定被测对象具有的异常步态分期以及异常步态特征参数；
（4）根据步骤（3）中的异常步态特征参数确定被测对象的异常步态的形式和原因。
优选的，步骤（1）中人体步态数据的获取和标准化模型的建立方法为：
（11）选择若干名符合受试条件的受试者，受试者暴露检测关节点，按照全身模式对关节点进行标记和固定，并通过三维动作捕捉系统获取每名受试者的人体步态数据；人体步态数据包括运动学数据组、动力学数据组和表面肌电学数据组，每个数据组中包括若干参数；
（12）每名受试者使用同一三维动作捕捉系统采集若干次人体步态数据，每次获得一组人体步态数据，去除缺损数据以及误差数据，获得有效的人体步态数据；
（13）将获得的有效人体步态数据进行数据标准化处理，各数据组中的每个参数以均数±标准差表示，获得标准化后的人体步态数据；
（14）基于步骤（12）中获取的人体步态数据，划分步态周期，将每个步态周期的人体步态数据进行匹配建立标准数据库，并采用标准数据库模拟建立标准化模型。
优选的，运动学数据组中包括的参数有支撑相踝关节最大背屈角、踝关节最大跖屈角、膝关节最大伸展角；动力学数据中包括的参数有最大前向地面反作用力、后向地面反作用力及垂直向地面反作用力；表面肌电学数据组中包括的参数有表面肌电信号强度。
优选的，三维动作捕捉系统包括足底压力系统和表面肌电检测系统；三维动作捕捉系统分析得出的人体步态数据还包括步速、步长、步幅、步频、总支撑相时间、摆动相时间、初始双支撑相时间。
综上所述，本发明具有以下优点：
1、本发明的三维步态系统包括了新的数据库的建立方法和标准化模型的建立方法，能够通过预先采集当地或者国内人群的人体步态数据，使得在后期进行异常步态分析的过程中误差降低，能够更好为临床分析提供更准确的分析结果。
2、采用本发明的三维步态分析系统根据系统自带的程序输出更多准确、客观、可视化的数据；可以用于评价其他评估方法的可靠性和有效性。
3、本发明的三维步态分析系统是通过对人体的生物动力学、运动学、肌肉活动情况进行的客观数据的分析，不受测试者经验及主观因素的影响。若本系统以及方法的被测对象选择儿童时，对儿童运动功能的评价相较于传统的量表评价方法和视觉评价更具客观性且更加全面，使得对儿童运动功能障碍的进一步的治疗更具靶向性，能够更准确的进行个体化治疗，更好的改善儿童的运动功能。
具体实施方式
本发明提供了一种基于三维步态分析系统鉴别异常步态形式的方法，包括以下步骤：
（1）从三维步态分析系统中确定与被测对象对应的人体步态数据和对应的标准化模型。当确定被测对象时，应当选择被测对象匹配的数据库和标准化模型，本发明的匹配是指基于与被测对象年龄、身高、性别、生活区域、名族等相同或者相近的群体所采集得到的人体步态数据和标准化模型。
例如，当受试者为福州市患病儿童时，应当选择以福州市或者福建省或者中国境内的同一年龄段的儿童作为受试者得到的人体步态数据库和标准化模型为对比数据库；这样能够避免因为地区、年龄和名族等因素的干扰；进一步降低由于数据库的选择带来的偏差。
（2）通过三维步态系统采集被测对象的人体步态数据，人体步态数据包括运动学数据组、动力学数据组和表面肌电学数据组，每个数据组中包括若干参数；确定步速、步长、步幅、步频、总支撑相时间、摆动相时间、初始双支撑相时间的各个参数的数据。
当选择合适的标准化模型和数据库后，需要通过三维步态系统对被测对象进行三维步态系统数据的采集，采集方法与标准化模型建立过程中采集的方法相同。
（3）基于被测对象的人体步态数据和三维步态系统，将被测对象的步态周期划分出与标准化模型中相同的步态分期，确定每个步态分期的数据参数，并将被测对象的步态分期数据参数与标准化模型的数据参数进行比对，确定被测对象具有的异常步态分期以及异常步态特征参数；
（4）根据步骤（3）中的异常步态特征参数确定被测对象的异常步态的形式和原因。
当获取被测对象的人体步态数据后，将其每个步态分期的数据参数与标准化模型进行比对，并从比对结果中分析出被测对象的异常步态以及产生异常步态的原因和形式。
本发明提供了一种步态分析系统中数据库和标准化模型的建立方法，包括：
（1）选择若干名符合受试条件的受试者，受试者暴露检测关节点，按照全身模式对关节点进行标记和固定，并通过三维动作捕捉系统获取每名受试者的人体步态数据；三维动作捕捉系统分析得出的人体步态数据还包括步速、步长、步幅、步频、总支撑相时间、摆动相时间、初始双支撑相时间。人体步态数据包括运动学数据组、动力学数据组和表面肌电学数据组，每个数据组中包括若干参数。
本发明以建立福建儿童数据库为例；以三维步态分析系统为技术平台，收集福建省正常健康儿童步态时的运动学和运动生物力学相关数据，建立数据库和标准化模型，为进一步对出生缺陷儿童异常步态的研究做标准化数据库准备。
受试群体选择方法：
在福州市区采用随机抽样方式，对幼儿园儿童和小学生进行步态数据采集。
入组标准：
A、选择年龄3-9岁之间的儿童100名；
B、3-6岁儿童使用学前与学龄初期儿童用Wechsler 量表，7-9岁儿童使用儿童用Wechsler 量表，测得总IQ>60；
C、能配合医生进行测试，并按指令自然行走。
D、排除标准：有心、肺、神经、骨骼、肌肉等影响步态的急性及慢性疾病的儿童。
（2）每名儿童受试者使用同一三维动作捕捉系统采集6-12次人体步态数据，每次获得一组人体步态数据，去除缺损数据以及误差数据，获得有效的人体步态数据600组数据~800组数据。
三维步态分析系统中采集的数据：
运动学数据组中包括的参数有支撑相踝关节最大背屈角、踝关节最大跖屈角、膝关节最大伸展角；以上数据由三维动作捕捉系统捕捉标记后经计算机采集信号后输出数据。
动力学数据中包括的参数有最大前向地面反作用力、后向地面反作用力及垂直向地面反作用力；以上数据由三维动作捕捉系统配套的足底压力系统检测获得，计算机采集信号后输出数据。
表面肌电学数据组中包括的参数有表面肌电信号强度；以上数据通过三维步态分析系统中配套的表面肌电检测系统检测获得，经计算机采集后输出数据。
（3）将获得的有效人体步态数据进行数据标准化处理，各数据组中的每个参数以均数±标准差表示，获得标准化后的人体步态数据；
（4）基于步骤（12）中获取的人体步态数据，划分步态周期，将每个步态周期的人体步态数据进行匹配建立标准数据库，并采用标准数据库模拟建立标准化模型。
步态周期指行走过程中一侧足跟着地至该侧足跟再次着地时所经过的时间。每一个步态周期分为支撑期和迈步期两个阶段；支撑期大约占步态周期的60%；迈步期约占其中的40%。
步态周期的分期划分及时间：
（1）首次触地：为步态周期和支撑期的起始点；指足跟或足底的其他部位第一次与地面接触的瞬间。正常人行走的首次着地方式为足跟着地。
（2）承重反应期：指足跟着地后足底与地面全面接触瞬间的一段时间。
（3）站立中期：指从对侧下肢离地至躯干位于该侧腿正上方时；此时重心位于支撑面正上方，15%~40%步态周期。
（4）站立末期：指从支撑足跟离地时到对侧下肢足跟着地。，40%~50%步态周期。
（5）迈步前期：指从对侧下肢足跟着地到支撑足趾离地之前的一段时间。，50%—60%步态周期。
（6）迈步初期：从支撑腿离地至该腿膝关节达到最大屈曲时。，60%~70%步态周期。
（7）迈步中期：从膝关节最大屈曲摆动到小腿与地面垂直时，70%~85%步态周期。
（8）迈步末期：指与地面垂直的小腿向前摆动至该足跟再次着地之前，85%~100%步态周期。
按照上述划分方法对所采集的步态数据进行标准化后就可以把一段时间的步态轨迹划分出合适的区间，以便后期建立数据库。
实验例：三维步态分析系统在评估脑瘫儿童康复治疗效果的应用
一、实验对象：在福建中医药大学附属康复医院就诊的，符合脑瘫诊断标准的福建籍儿童。
二、实验方案：
1、对实验组（患儿）及正常对照组进行三维步态数据采集和整理，并进行临床查体，测量足背屈角及胭窝角；
2、实验组进行治疗干预，依三维步态分析结果制定个性化康复治疗方案，并按方案接受规范的个性化康复治疗；
3、正常组儿童不干预；
4、治疗4 周后，两组儿童均再次进行三维步态分析，并进行临床查体，测量足背屈角及胭窝角。
三、数据采集
在某中医药大学所属人体三维步态分析实验室进行。按照实验室所装备的Motionanalysis（美国）三维步态分析系统标准测试点要求进行marker 点固定。受试者暴露主要关节点，按照Helen Hayes 全身模式进行标记，后期分析时采集各个marker 运动学、动力学数据。
四、统计学处理
（1）数据标准化处理：各数据均用均数±标准差表示(对步长、步幅及步速进行身高标准化)；
（2）统计学方法：所有数据采用SPSS25.0 统计软件和R-PROJECT 3.6.3进行分析。具体方法为：实验组与正常对照组采用独立样本t 检验，实验组治疗前后比较采用配对t检验，当P<0.05 为差异具有统计学意义。
五、检测指标
1、治疗前后临床查体指标：足背曲角及腘窝角；
2、治疗前后3DGA 观察指标：
（1）时间-空间参数：步速、步长、步幅、步频、总支撑相时间、摆动相时间、初始双支撑相时间；
（2）运动学参数：支撑相踝关节最大背屈角、踝关节最大跖屈角、膝关节最大伸展角；
（3）动力学参数：最大前向地面反作用力、后向地面反作用力及垂直向地面反作用力。
由此可见，本发明公开的方法可用于脑瘫儿童康复治疗效果的评价，可以指导临床选择更加合适的康复治疗手段和方案。本发明的方法使得对儿童运动功能障碍的进一步的治疗更具靶向性，能够更准确的进行个体化治疗，更好的改善儿童的运动功能。
Claims (4)
1.一种基于三维步态分析系统鉴别异常步态形式的方法，其特征在于，包括以下步骤：
（1）从三维步态分析系统中确定与被测对象对应的人体步态数据和对应的标准化模型；
（2）通过三维步态系统采集被测对象的人体步态数据，所述人体步态数据包括运动学数据组、动力学数据组和表面肌电学数据组，每个数据组中包括若干参数；确定步速、步长、步幅、步频、总支撑相时间、摆动相时间、初始双支撑相时间的各个参数的数据；
（3）基于被测对象的人体步态数据和三维步态系统，将被测对象的步态周期划分出与标准化模型中相同的步态分期，确定每个步态分期的数据参数，并将被测对象的步态分期数据参数与标准化模型的数据参数进行比对，确定被测对象具有的异常步态分期以及异常步态特征参数；
（4）根据步骤（3）中的异常步态特征参数确定被测对象的异常步态的形式和原因。
2.如权利要求1所述的方法，其特征在于：所述步骤（1）中人体步态数据的获取和标准化模型的建立方法为：
（11）选择若干名符合受试条件的受试者，受试者暴露检测关节点，按照全身模式对关节点进行标记和固定，并通过三维动作捕捉系统获取每名受试者的人体步态数据；所述人体步态数据包括运动学数据组、动力学数据组和表面肌电学数据组，每个数据组中包括若干参数；
（12）每名受试者使用同一三维动作捕捉系统采集若干次人体步态数据，每次获得一组人体步态数据，去除缺损数据以及误差数据，获得有效的人体步态数据；
（13）将获得的有效人体步态数据进行数据标准化处理，各数据组中的每个参数以均数±标准差表示，获得标准化后的人体步态数据；
（14）基于步骤（12）中获取的人体步态数据，划分步态周期，将每个步态周期的人体步态数据进行匹配建立标准数据库，并采用标准数据库模拟建立标准化模型。
3.如权利要求2所述的方法，其特征在于：所述运动学数据组中包括的参数有支撑相踝关节最大背屈角、踝关节最大跖屈角、膝关节最大伸展角；所述动力学数据中包括的参数有最大前向地面反作用力、后向地面反作用力及垂直向地面反作用力；所述表面肌电学数据组中包括的参数有表面肌电信号强度。
4.如权利要求2所述的方法，其特征在于：所述三维动作捕捉系统包括足底压力系统和表面肌电检测系统；所述三维动作捕捉系统分析得出的人体步态数据还包括步速、步长、步幅、步频、总支撑相时间、摆动相时间、初始双支撑相时间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010189084.3A CN111326232A (zh) | 2020-03-18 | 2020-03-18 | 一种基于三维步态分析系统鉴别异常步态形式的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010189084.3A CN111326232A (zh) | 2020-03-18 | 2020-03-18 | 一种基于三维步态分析系统鉴别异常步态形式的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111326232A true CN111326232A (zh) | 2020-06-23 |
Family
ID=71167660
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010189084.3A Pending CN111326232A (zh) | 2020-03-18 | 2020-03-18 | 一种基于三维步态分析系统鉴别异常步态形式的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111326232A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111898574A (zh) * | 2020-08-05 | 2020-11-06 | 复旦大学附属中山医院 | 一种起立行走测试分析系统及方法 |
| CN112401834A (zh) * | 2020-10-19 | 2021-02-26 | 南方科技大学 | 一种运动阻碍型疾病诊断装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886215A (zh) * | 2014-04-04 | 2014-06-25 | 中国科学技术大学 | 一种基于肌肉协同的步行能力计算方法和装置 |
| US20150112603A1 (en) * | 2013-10-22 | 2015-04-23 | Bae Systems Information And Electronic Systems Integration Inc. | Mobile device based gait biometrics |
| CN108209924A (zh) * | 2018-01-16 | 2018-06-29 | 北京大学第三医院 | 一种前交叉韧带断裂后步态特征的分析方法 |
| CN108836346A (zh) * | 2018-04-16 | 2018-11-20 | 大连理工大学 | 一种基于惯性传感器的人体步态分析方法和系统 |
-
2020
- 2020-03-18 CN CN202010189084.3A patent/CN111326232A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150112603A1 (en) * | 2013-10-22 | 2015-04-23 | Bae Systems Information And Electronic Systems Integration Inc. | Mobile device based gait biometrics |
| CN103886215A (zh) * | 2014-04-04 | 2014-06-25 | 中国科学技术大学 | 一种基于肌肉协同的步行能力计算方法和装置 |
| CN108209924A (zh) * | 2018-01-16 | 2018-06-29 | 北京大学第三医院 | 一种前交叉韧带断裂后步态特征的分析方法 |
| CN108836346A (zh) * | 2018-04-16 | 2018-11-20 | 大连理工大学 | 一种基于惯性传感器的人体步态分析方法和系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111898574A (zh) * | 2020-08-05 | 2020-11-06 | 复旦大学附属中山医院 | 一种起立行走测试分析系统及方法 |
| CN112401834A (zh) * | 2020-10-19 | 2021-02-26 | 南方科技大学 | 一种运动阻碍型疾病诊断装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mentiplay et al. | Lower limb angular velocity during walking at various speeds | |
| Selles et al. | Automated estimation of initial and terminal contact timing using accelerometers; development and validation in transtibial amputees and controls | |
| Monaghan et al. | Increasing the number of gait trial recordings maximises intra-rater reliability of the CODA motion analysis system | |
| Wilken et al. | Reliability and minimal detectible change values for gait kinematics and kinetics in healthy adults | |
| CN102697507B (zh) | 患者康复训练步行状态分析系统及方法 | |
| Klejman et al. | Test-retest reliability of discrete gait parameters in children with cerebral palsy | |
| Laudanski et al. | Measurement of lower limb joint kinematics using inertial sensors during stair ascent and descent in healthy older adults and stroke survivors | |
| Devetak et al. | Center of mass in analysis of dynamic stability during gait following stroke: A systematic review | |
| CN111326232A (zh) | 一种基于三维步态分析系统鉴别异常步态形式的方法 | |
| Revi et al. | Indirect measurement of anterior-posterior ground reaction forces using a minimal set of wearable inertial sensors: From healthy to hemiparetic walking | |
| Daponte et al. | Electronic measurements in rehabilitation | |
| Liu et al. | Deep learning based ground reaction force estimation for stair walking using kinematic data | |
| CN111178338A (zh) | 一种步态分析系统中数据库和标准化模型的建立方法 | |
| Xia et al. | Predicting free achilles tendon strain from motion capture data using artificial intelligence | |
| CN110801230A (zh) | 一种针对下肢骨折康复效果的评价方法 | |
| Burnfield et al. | Examination of gait | |
| Wiles et al. | NONAN GaitPrint: An IMU gait database of healthy young adults | |
| Regazzoni et al. | A method to analyse generic human motion with low-cost mocap technologies | |
| CN113367688B (zh) | 基于人体静电步态和tof摄像机的偏瘫评级系统 | |
| Vitali et al. | Digital motion acquisition to assess spinal cord injured (SCI) patients | |
| Steffensen et al. | Comparison of markerless and marker-based motion capture of gait kinematics in individuals with cerebral palsy and chronic stroke: A case study series | |
| Calma et al. | Development of normative walking gait kinematics database for Filipinos using MS kinect V2 | |
| Zhang et al. | Hip motion analysis using parametric mathematical modeling in middle aged to elderly adults during walking | |
| CN202619659U (zh) | 患者康复训练步行状态分析系统 | |
| Fonseca et al. | Evaluation of lower limb and pelvic marker placement precision among different evaluators and its impact on gait kinematics computed with the Conventional Gait Model |
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: 20200623 |
|
| WD01 | Invention patent application deemed withdrawn after publication |