CN111329488A - 针对踝关节韧带损伤的步态特征提取与生成方法及系统 - Google Patents

针对踝关节韧带损伤的步态特征提取与生成方法及系统 Download PDF

Info

Publication number
CN111329488A
CN111329488A CN202010148549.0A CN202010148549A CN111329488A CN 111329488 A CN111329488 A CN 111329488A CN 202010148549 A CN202010148549 A CN 202010148549A CN 111329488 A CN111329488 A CN 111329488A
Authority
CN
China
Prior art keywords
gait
features
ankle
data
generated
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.)
Granted
Application number
CN202010148549.0A
Other languages
English (en)
Other versions
CN111329488B (zh
Inventor
刘欣
王莉
张德政
任继平
赵辰
阿孜古丽.吾拉木
谢永红
栗辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN202010148549.0A priority Critical patent/CN111329488B/zh
Publication of CN111329488A publication Critical patent/CN111329488A/zh
Application granted granted Critical
Publication of CN111329488B publication Critical patent/CN111329488B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • 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
    • A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
    • A61B5/1127—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique using markers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/23—Recognition of whole body movements, e.g. for sport training
    • G06V40/25—Recognition of walking or running movements, e.g. gait recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Computing Systems (AREA)
  • Pathology (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Human Computer Interaction (AREA)
  • Social Psychology (AREA)
  • Psychiatry (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明提供一种针对踝关节韧带损伤的步态特征提取与生成方法及系统，该方法包括：足踝部运动测量、数据预处理、步态相期分割、步态特征空间构建、步态特征生成、真实与生成特征相关度评估和生成特征有效性可视化验证；本发明解决了现有医疗系统中存在的特征质量低和样本量不足的问题；通过采集受试者的步态数据，针对踝关节韧带损伤，建立损伤组与对照组的小样本数据集，基于人体测量学方法进行特征精细化对比与分析，建立踝关节损伤的步态特征空间、步态特征生成与有效性验证，为基于大数据的智能踝关节损伤诊断与决策、康复方案精准化构建和辅助外骨骼机器人研制等相关领域的研究与应用提供了大量有人体测量学依据的优质、高效的特征数据支撑。

Description

针对踝关节韧带损伤的步态特征提取与生成方法及系统
技术领域
本发明涉及医疗数据的智能分析与处理技术领域，特别是指一种针对踝关节韧带损伤的步态特征提取与生成方法及系统。
背景技术
随着户外运动的兴起，运动医学已成为全球日益关注的公共健康问题之一，加速其智能化、精准化诊疗研究进程已得到医学界、产业界及学术界的共识。目前，仅依靠病史采集、体格检测、X线片及核磁共振等辅助检查手段进行临床诊断与伤情评估，显然不能满足对人体运动功能精准表征的实际诊疗需求，因此，光学运动捕捉系统正逐步在临床医疗诊断与运动康复等领域推广使用。
光学运动捕捉系统可持续测量人体活动的位置、姿态、速度、频率等多源运动参数，为骨伤、运动医学等科室的医疗诊断及外骨骼机器人研制提供多维度的优质数据资源，同时，也为直观、感性、经验为主导的“描述医学”提供了客观、精确的诊疗依据，但对整套精准数据的应用而言，这不过是窥其一隅。
目前的智能诊疗系统广泛存在数据特征的人体测量学依据不足、训练样本手工标注标准不统一、标注工作繁琐、医疗样本偏差等所导致的模型及算法训练数据质量不高、数量不足等问题。
发明内容
本发明要解决的技术问题是提供一种针对踝关节韧带损伤的步态特征提取与生成方法及系统，以解决现有的踝关节韧带损伤智能诊断与决策系统中存在的特征样本质量低、数量严重不足的问题。旨在基于小样本有标注数据科学描述健康组及损失组的步态运动特征、有效提升数据完整性、扩展样本数量，为实现智能精准的运动损伤诊断决策、疗效评估、外骨骼机器人辅助等研究与应用，提供必要的特征描述与训练数据基础，为“解释医学”发展提供客观、理性、可量化的数据特征支持。
为解决上述技术问题，本发明提供如下技术方案：
一种针对踝关节韧带损伤的步态特征提取与生成方法，所述方法包括：
采集受试者的步态数据并对采集到的步态数据进行预处理；
针对步态共性特征及受试者个体实际运动情况，将预处理后的步态数据按照特征标记点空间坐标位置进行步态周期和步态相位自动分割；
基于步态周期和步态相位分割结果，对损伤组与对照组的各维度特征进行假设检验，筛选出具有显著特异性的足踝步态特征，构建步态的时空特征空间；
构建深度卷积生成对抗网络，利用生成器与判别器之间生成与对抗的方式反复迭代优化生成数据质量，直到生成符合判别器要求的步态特征为止。
进一步地，在生成符合判别器要求的步态特征后，所述方法还包括：
以皮尔逊相关系数法衡量生成特征与真实特征间的线性相关程度；
通过t分布随机近邻嵌入算法将真实的高维运动特征及生成的高维运动特征映射到二维平面中，量化、直观地验证二者的分布及混叠情况。
进一步地，所述采集受试者的步态数据，包括：
基于海德堡足部测量方法，建立覆盖小腿部分、踝关节部分、足跟部分、足中部分和足尖部分的足踝部运动测量模型；基于所述足踝部运动测量模型，通过光学运动捕捉系统采集受试者的步态数据；其中，
小腿部分测量的特征点包括：沿膝关节弯曲轴最大距离方向的膝关节内、外侧标记点、胫骨粗隆最凸出位置标记点以及胫骨三等分点；
踝关节部分测量的特征点包括：沿踝骨转动轴最大距离方向的内踝标记点和沿踝骨转动轴最大距离方向的外踝标记点；
足跟部分测量的特征点包括：跟骨内、外、背侧最凸出位置标记点和从矢状面观察轴线与地面约成45°的舟骨标记点；
足中部分测量的特征点包括：第1、5跖骨近端标记点和第1、2、5跖骨远端标记点；
足尖部分测量的特征点包括大拇趾的趾骨远端中点。
进一步地，所述对采集到的步态数据进行预处理，包括：
对所采集的步态数据进行数字滤波，降低步态数据的噪声；
将数字滤波后的步态数据输入编码器进行二值化编码；
将二值化编码输入空间沉淀池，形成基于神经皮质网络的稳定稀疏离散表征，用于学习步态数据的空间频繁模式；
将空间频繁模式输入到时间沉淀池，构建活跃细胞间的神经连接，用于记忆步态数据的时间模式序列；
经网络迭代优化后，形成独立类别数据的分类预测模型，对所采集的步态数据中的缺失部分进行预测，补齐步态数据中的缺失值。
进一步地，针对步态共性特征及受试者个体实际运动情况，将预处理后的步态数据按照特征标记点空间坐标位置进行步态周期和相位自动分割，包括：
基于跟骨背侧标记点空间位置对预处理后的步态数据进行步态周期分割；
基于跖骨远端中点空间位置对预处理后的步态数据进行步态相位分割，划分出每一步态周期中所包含的支撑相和摆动相；
基于根据背侧标记点空间位置帧间差进行支撑相期分割，划分出支撑相中所包含的着地期、支撑期以及推进期。
进一步地，所述筛选出具有显著特异性的足踝步态特征，包括：
针对踝关节韧带损伤的特异性步态特征进行提取，所提取的特异性步态特征包括：步态基本特征、步态相期特征、步行速度特征和关节调整特征；其中，
特异性的步态基本特征包括：步长和跨步时长；
特异性步态相期特征包括：着地期占比和站立期占比；
特异性步行速度特征包括：小腿、踝关节及足部的最大速度，踝关节和足部的速度峰值在步态周期中出现的位置，小腿、踝关节和足中的最小速度，小腿的速度谷值在步态周期中出现的位置；
特异性关节调整特征包括：在支撑期，加减速调整次数，小腿、踝关节和足中由减速到加速的调整次数，小腿、踝关节、足跟和足中由加速到减速的调整次数，小腿、踝关节、足中和足尖的平均速度。
进一步地，所述生成符合判别器要求的步态特征，包括：
将真实特异性步态特征进行拼接，形成多维特征矩阵；
构建步态特征生成器，将随机噪声进行拟合初步生成步态特征；
构建步态特征判别器，将初步生成步态特征与真实步态特征进行判别比较，计算其损失函数，反馈给生成器；
优化生成器参数，将初步生成结果进行进一步拟合与判别，反复迭代，直到生成符合判别器要求的步态特征为止。
进一步地，所述衡量生成特征与真实特征间的线性相关程度，包括：
针对真实步态特征与生成步态特征进行多组随机等样本量抽样；
计算组内真实步态特征与生成步态特征的皮尔逊相关系数并求取组间相关系数平均值；对真实步态特征与生成步态特征的相关性进行评估。
进一步地，所述通过t分布随机近邻嵌入算法将真实及生成的高维运动特征映射到二维平面中，量化、直观地验证二者的分布及混叠情况，包括：
将健康组与损伤组真实多维特征样本点与生成多维特征样本点之间的欧式距离转化为相似度的条件概率；
在低维空间，构建满足t分布的联合概率分布；
最佳化所有样本点间的KL散度总和，使高维空间和低维空间中的概率分布尽可能相似；
绘制健康组与损伤组真实步态特征与生成步态特征在低维空间的可视化分布，实现直观量化的生成特征相似性及差异性评估。
相应地，为解决上述技术问题，本发明还提供如下技术方案：
一种针对踝关节韧带损伤的步态特征提取与生成系统，所述系统包括：
足踝部运动测量模块，所述足踝部运动测量模块用于采集受试者步态数据；
数据预处理模块，所述数据预处理模块用于对采集的步态数据进行预处理；
步态相期分割模块，所述步态相期分割模块用于针对步态共性特征及受试者个体实际运动情况，将预处理后的步态数据按照特征标记点空间坐标位置进行步态周期和步态相位自动分割；
步态特征空间构建模块，所述步态特征空间构建模块用于基于步态周期和步态相位分割结果，对损伤组与对照组的各维度特征进行假设检验，筛选出具有显著特异性的足踝步态特征，构建步态的时空特征空间；
步态特征生成模块，所述步态特征生成模块用于构建深度卷积生成对抗网络，利用生成器与判别器之间生成与对抗的方式反复迭代优化生成数据质量，直到生成符合判别器要求的步态特征为止；
真实与生成特征相关度评估模块，所述真实与生成特征相关度评估模块用于以皮尔逊相关系数法衡量生成特征与真实特征间的线性相关程度；
生成特征有效性可视化验证模块，所述生成特征有效性可视化验证模块用于通过t分布随机近邻嵌入算法将真实及生成的高维运动特征映射到二维平面中，量化、直观地验证二者的分布及混叠情况。
本发明的上述技术方案的有益效果如下：
本发明针对运动特征人体测量学依据不足、样本手工标注标准不统一、标注工作繁琐、医疗数据样本偏差等所导致的智能诊断与决策系统训练数据及特征质量不高、数量不足等问题，提供了一种针对踝关节韧带损伤的步态特征提取与生成方法及系统，本发明所涉及的小样本运动医学数据来源于光学运动捕捉系统，在此基础上经测量模型构建、数据预处理及步态相期分割后，基于人体测量学研究挖掘受试者个体在各相期的步态运动规律，针对损伤组与对照组构建具有良好特异性的足踝运动特征空间，深度分析踝关节韧带损伤所导致的病理特征，扩展生成符合智能诊疗系统多样性需求的损伤组与对照组运动特征，并研发生成数据的有效性验证方法，在提供精细化特异性特征分析方法的同时，为相关智能算法与系统提供优质、高效的训练样本支持。
本发明的针对踝关节韧带损伤的步态特征提取与生成方法及系统可以有效提升特征描述精准性、扩展运动特征样本量，为实现智能、精准的人体下肢运动损伤诊断、疗效评定及外骨骼机器人等智能辅具研制，提供优质的步态特征基础，对相关领域客观、理性、量化的“解释医学”发展提供必要的支持。
本发明的针对踝关节韧带损伤的步态特征提取与生成方法及系统可应用于骨伤与运动损伤的急性期诊断、康复进程评估与康复方案制定、智能辅具研制等多个运动医学相关领域，为运动损伤的智能算法、模型及系统构建提供有效的数据支撑，可有效助力我国运动医学领域智能化、精准化诊疗的发展进程。
附图说明
图1为本发明的针对踝关节韧带损伤的步态特征提取与生成方法的整体流程示意图；
图2a和图2b为本发明的针对踝关节韧带损伤的步态特征提取与生成方法中的运动测量特征标记点示意图；
图3为本发明的针对踝关节韧带损伤的步态特征提取与生成方法中的中步态周期及相期的分割方法的流程示意图；
图4为本发明的针对踝关节韧带损伤的步态特征提取与生成方法中的步态特征生成网络结构图；
图5为本发明的针对踝关节韧带损伤的步态特征提取与生成方法中的基于t-SNE算法的步态特征有效性的可视化验证结果；
图6为本发明针对踝关节韧带损伤的步态特征提取与生成系统的模块图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
第一实施例
本实施例提供一种针对踝关节韧带损伤的步态特征提取与生成方法，该针对踝关节韧带损伤的步态特征提取与生成方法包括：
S101，采集受试者的步态数据；
需要说明的是，在本实施例中，上述S101具体为：基于海德堡足部测量方法，建立覆盖小腿部分、踝关节部分、足跟部分、足中部分和足尖部分五个下肢子部分的17个骨性标志点的足踝部运动测量模型；基于所述足踝部运动测量模型，通过光学运动捕捉系统采集受试者的步态数据；其中，
小腿部分测量的特征点包括：沿膝关节弯曲轴最大距离方向的膝关节内、外侧标记点、胫骨粗隆最凸出位置标记点以及胫骨三等分点；
踝关节部分测量的特征点包括：沿踝骨转动轴最大距离方向的内踝标记点和沿踝骨转动轴最大距离方向的外踝标记点；
足跟部分测量的特征点包括：跟骨内、外、背侧最凸出位置标记点和从矢状面观察轴线与地面约成45°的舟骨标记点；
足中部分测量的特征点包括：第1、5跖骨近端标记点和第1、2、5跖骨远端标记点；
足尖部分测量的特征点包括大拇趾的趾骨远端中点。
S102，对采集到的步态数据进行预处理；
需要说明的是，在本实施例中，上述S102具体包括以下过程：
1、对所采集的步态数据进行数字滤波，降低环境、标记点(Marker)移位、遮挡等因素所造成的噪声；
2、将数字滤波后的步态数据输入编码器进行二值化编码；
3、将二值化编码输入空间沉淀池，形成基于神经皮质网络的稳定稀疏离散表征，用于学习步态数据的空间频繁模式；
4、将空间频繁模式输入到时间沉淀池，构建活跃细胞间的神经连接，用于记忆步态数据的时间模式序列；
5、经网络迭代优化后，形成独立类别数据的分类预测模型，对步态数据中的缺失部分进行预测，补齐数据中的缺失值，以保证时序数据的连续可用。
S103，针对步态共性特征及受试者个体实际运动情况，将预处理后的步态数据按照特征标记点空间坐标位置进行步态周期和步态相位自动分割；
需要说明的是，在本实施例中，上述S103具体包括以下过程：
1、基于跟骨背侧标记点空间位置对处理后的步态数据进行步态周期分割；
2、基于跖骨远端中点空间位置对预处理后的步态数据进行步态相位分割，划分出每一步态周期中所包含两个步态相位(支撑相、摆动相)；
3、基于根据背侧标记点空间位置帧间差进行支撑相期分割，划分出支撑相中所包含的三个阶段(着地期、支撑期、推进期)。
S104，基于步态周期和相位分割结果，对损伤组与对照组的各维度特征进行假设检验，筛选出具有显著特异性的足踝步态特征，构建步态时空特征空间；
需要说明的是，在本实施例中，上述S104中筛选出具有显著特异性的足踝步态特征，具体包括以下过程：
基于人体测量学方法构建步态的时空特征空间，包括：步态相期占比、步行速度及关节微调整等多个维度，并对损伤组与对照组的各维度特征进行假设检验，以发现具有显著特异性的足踝步态特征，优化踝关节韧带损伤特征提取。
针对踝关节韧带损伤的特异性步态特征进行提取，所提取的特异性步态特征包括：步态基本特征、步态相期特征、步行速度特征和关节调整特征；其中，
特异性的步态基本特征包括：步长和跨步时长；
特异性步态相期特征包括：着地期占比和站立期占比；
特异性步行速度特征包括：小腿、踝关节及足部的最大速度，踝关节和足部的速度峰值在步态周期中出现的位置，小腿、踝关节和足中的最小速度，小腿的速度谷值在步态周期中出现的位置；
特异性关节调整特征包括：在支撑期，加减速调整次数，小腿、踝关节和足中由减速到加速的调整次数，小腿、踝关节、足跟和足中由加速到减速的调整次数，小腿、踝关节、足中和足尖的平均速度。
S105，构建深度卷积生成对抗网络，利用生成器与判别器之间生成与对抗的方式反复迭代优化生成数据质量，直到生成符合判别器要求的步态特征为止；
需要说明的是，在本实施例中，上述S105具体包括以下过程：
1、将真实特异性步态特征进行拼接，形成多维特征矩阵；
2、构建步态特征生成器，将随机噪声进行拟合初步生成步态特征；
3、构建步态特征判别器，将初步生成步态特征与真实步态特征进行判别比较，计算其损失函数，反馈给生成器；
4、优化生成器参数，将初步生成结果进行进一步拟合与判别，反复迭代，直到生成符合判别器要求的步态特征为止，以此在满足组内特征的同时进行特征泛化，有效扩充小样本步态特征的数据量，解决现有系统及模型中存在的样本量不够、多样性不足、不均衡等问题。
S106，以皮尔逊相关系数法衡量生成特征与真实特征间的线性相关程度；
需要说明的是，在本实施例中，上述S106具体包括以下过程：
1、针对真实步态特征与生成步态特征进行多组随机等样本量抽样；
2、计算组内真实步态特征与生成步态特征的皮尔逊相关系数并求取组间相关系数平均值；
3、对真实步态特征与生成步态特征的相关性进行评估。
S107，通过t分布随机近邻嵌入(t-distributed Stochastic NeighborEmbedding，t-SNE)算法将真实的高维运动特征及生成的高维运动特征映射到二维平面中，量化、直观地验证二者的分布及混叠情况。
需要说明的是，在本实施例中，上述S107具体包括以下过程：
1、将健康组与损伤组真实多维特征样本点与生成多维特征样本点之间的欧式距离转化为相似度的条件概率；
2、在低维空间，构建满足t分布的联合概率分布；
3、最佳化所有样本点间的KL散度总和，使高维空间和低维空间中的概率分布尽可能相似；
4、绘制健康组与损伤组真实步态特征与生成步态特征在低维空间的可视化分布，实现直观量化的生成特征相似性及差异性评估。
综上，本实施例提出了一种针对踝关节韧带损伤的步态特征提取与生成方法，主要是针对光学运动捕捉系统所采集到的步态时空数据，建立具有人体测量学依据的特异性运动特征空间，通过深度卷积生成对抗网络模型有效扩展小样本步态特征数据，以解决踝关节运动损伤智能诊断与决策系统中广泛存在的特征样本质量低、数据量严重不足、样本不均衡等相关问题。
第二实施例
请参阅图1至图5，本实施例提供一种针对踝关节韧带损伤的步态特征提取与生成方法，该方法如图1所示，包括以下步骤：
S101，构建基于海德堡足部测量方法的足踝部运动测量模型；
需要说明的是，在本实施例中，如图2所示，本实施例的模型所涉及的特征标记点覆盖小腿、踝关节、足跟、足中、足尖五个下肢部分：
①小腿部分测量5个特征点，具体包括：沿膝关节弯曲轴最大距离方向的膝关节内、外侧标记点(MEP、LEP)；胫骨粗隆最凸出位置标记点(TTU)；胫骨三等分点(SH1、SH2)；
②踝关节部分测量2个特征点，具体包括：沿踝骨转动轴最大距离方向的内、外踝标记点(MML、LML)。
③足跟部分测量4个特征点，具体包括：跟骨内、外、背侧最凸出位置标记点(MCL、LCL、CCL)；从矢状面观察轴线与地面约成45°的舟骨标记点(NAV)。
④足中部分测量5个特征点，具体包括：第1、5跖骨近端标记点(PMT1、PMT5)；第1、2、5跖骨远端标记点(DMT1、DMT2、DMT5)。
⑤足尖部分测量1个标记点，大拇趾的趾骨远端中点(HLX)。
S102，建立基于层级实时记忆网络的缺失数据预测模型与算法；
需要说明的是，首先，经光学运动捕捉系统采集得到的原始步态数据中无可避免地存在着高频噪声，因此本方法及系统采用一阶零延时巴特沃斯低通滤波器进行数字滤波，平滑高频噪声，用于优化原始数据质量。
而后，由于采集过程中标记点位移、遮挡等原因常会引起数据错误、采集不完整，将滤波后的数据作为输入进行缺失数据预测填充补齐数据，有效提升数据的可用率，基于层级实时记忆网络的缺失数据预测算法具体如下：
Figure BDA0002401633390000101
Figure BDA0002401633390000111
S103，构建起有个体针对性的步态周期及相期分割方法；
需要说明的是，在本实施例中，上述S103如图3所示，包括：
将自然步行过程按步态周期进行划分，再将步态周期切分为支撑相和摆动相，并进一步在支撑相中精确分割出着地期、站立期、推进期三个典型阶段。
具体分割方法如下：
①步态周期分割：足跟着地是当前步态周期开始，上一步态周期结束的主要标志，从空间运动特征来看，此刻足跟背侧到达运动最低点，因此，本方法以位于跟骨背侧的CCL标记点的Z轴坐标极小值为量化分割点划分步态周期。
②步态相位分割：在步态周期中，以足尖离地为支撑相结束，摆动相开始的主要标志，从空间运动特征来看，此刻大拇趾到达运动最低点，而后，其空间位置显著提高，因此，本方法及系统以位于跖骨远端中点的HLX标记点的Z轴坐标极小值为量化分割点，将步态周期起始到该分割点定义为支撑相，该分割点到步态周期结束定义为摆动相。
③支撑相期分割：在支撑相中，从足跟着地到足底放平为着地期，从足底放平到足跟离地为站立期，从足跟离地到足尖离地为推进期。从空间运动特征来看，在着地期，足跟着地CCL标记点的Z轴坐标到达极小值，而后跖屈逐渐增大，直至足中着地足底放平；在支撑期，足底放平，且足跟除皮肤弹性形变带来的较小变化外基本保持稳定不动；在推进期，足跟迅速离地，CCL标记点的Z轴坐标迅速增大直至足尖离地。因此，本方法及系统以CCL标记点Z轴坐标的帧间差为衡量依据，将从足跟着地到帧间差小于0.5mm阶段定义为着地期，将CCL标记点Z轴坐标值在较小范围内抖动或单调递增且期帧间差小于1.0mm阶段定义为站立期，将从单调递增且其帧间差大于1.0mm阶段定义为推进期。
S104，构建具有组间显著差异的足踝步态特征空间；
需要说明的是，在本实施例中，上述S104具体为：
针对步态基本情况，步态相期占比、步行速度、关节微调整等运动特征进行详细分析，并将损伤组与对照组间的差异性进行置信区间为95％的独立样本t检验，通过小样本(损伤组：30个步态周期，对照组：50个步态周期)分析获取踝关节韧带损伤的显著运动特征，用于构建踝关节步态特征空间，为踝关节韧带损伤的智能诊断与决策系所需特征提供必要的人体测量学依据。基于时空步态运动信息的测量分析结果表明：
①步态基本特征：包括步长、跨步时长。相比较于对照组，踝关节韧带损伤患者具有明显的步长减小(1330.7mm±6.35mm vs.1419.8mm±7.46mm，p<0.001)、跨步时长显著增加(1.08s±0.01s vs.0.98s±0.01s，p<0.001)的步态基本特征。
②步态相期特征：包括支撑相、摆动相、着地期、站立期、推进期在步态周期中的占比。相比较于对照组，踝关节韧带损伤患者着地期占比显著减小、站立期占比显著增加(25.80％±0.39vs.24.26％±0.38，p＝0.009)，而推进期(p＝0.656)、支撑相和摆动相(p＝0.849)的占比无显著差异。
③步行速度特征：包括小腿、踝关节及足跟、足中、足尖在步态周期中的最大、最小速度，以及该峰值、谷值在步态周期中出现的位置。相比较于对照组，踝关节韧带损伤患者小腿、踝关节及足部各标记点的最大速度均有显著提升(p<0.001)；踝关节、足部的速度峰值在步态周期中出现的位置明显滞后(p<0.001)；小腿(p<0.001)、踝关节(p<0.001)、足中(p＝0.002)标记点的最小速度均有显著增加；小腿的速度谷值在步态周期中出现的位置明显提前(p＝0.009)。
④关节调整特征：包括小腿、踝关节及足跟、足中、足尖调整情况，以及在支撑期的加减速调整次数及平均速度。相比较于着地期、推进期、摆动相，踝关节外侧副韧带损伤患者在支撑期的加减速调整次数明显较多，且调整次数显著多于控制组(4.87±0.54vs.3.20±0.38，p＝0.017)。相比较于对照组，踝关节韧带损伤患者的小腿(p<0.001)、踝关节(p＝0.007)、足中(p＝0.041)标记点在支撑期由减速到加速的调整次数显著增加；小腿(p<0.001)、踝关节(p＝0.004)、足跟(p＝0.040)、足中(p＝0.005)标记点在支撑期由加速到减速的调整次数显著增加；小腿、踝关节、足中、足尖标记点在支撑期的平均速度显著提升(p<0.001)。
S105，建立基于深度卷积神经网络的步态特征生成对抗模型与算法；
需要说明的是，在本实施例中，如图4所示，本方法采用的生成对抗网络模型其判别器与生成器对称，该模型使用了微步卷积层(fractional-strided convolution layer)代替了传统生成对抗网络中的上采样，以增加训练的稳定性。基于深度卷积神经网络的步态特征生成对抗算法具体如下：
Figure BDA0002401633390000131
Figure BDA0002401633390000141
S106，构建基于皮尔逊系数的真实与生成特征相关性评估方法；
需要说明的是，皮尔森相关系数可有效反映生成步态特征与真实步态特征间的线性相关程度，相关系数取值范围为[-1,1]。
生成步态特征与真实步态特征的线性关系增强，则相关系数趋于1或-1。若生成步态特征与真实步态特征正相关，则相关系数大于0；若生成步态特征与真实步态特征负相关，则相关系数小于0；若真实步态特征与生成步态特征不存在线性相关性，则相关系数等于0。
假设生成步态特征与真实步态特征分别为G(g1,g2,g3,……)、R(r1,r2,r3,……)，那么两类特征间的皮尔逊相关系数可通过以下公式计算：
Figure BDA0002401633390000142
其中，ρ为皮尔逊相关系数，cov为协方差，σ为标准方差，E为期望，μ为平均值。
根据足踝步态特征的样本整体情况及皮尔逊相关系数参考标准，皮尔逊相关系数值范围在(0.8,1.0]，二者相关性极强；在[0.6,0.8)，二者相关性强；在[0.4,0.6)，二者相关性中等强度；在[0.2,0.4)，二者相关性弱；在[0.0,0.2)，二者相关性极弱或无相关性。
S107，构建基于t-SNE的步态特征生成有效性可视化验证算法。
需要说明的是，t-SNE可通过仿射变换将高维运动特征映射到概率分布中进行相似度评估，并可将高维运动特征降维到二维平面，便于直观可视化的观察比对生成步态特征与真实步态特征的相似性，以量化、直观地验证生成步态特征的有效性。实验结果表明：健康人及踝关节韧带损伤者的真实步态特征与生成步态特征分布具有良好的相似性，由此可知整体生成步态特征与真实步态特征分布高度相似且具有一定的个体差异性，可良好地扩充智能模型、算法及系统所需的训练特征集。如图5所示，在本实施例中，基于t-SNE的步态特征生成有效性验证算法具体如下：
Figure BDA0002401633390000151
Figure BDA0002401633390000161
综上，本实施例针对运动特征人体测量学依据不足、样本手工标注标准不统一、标注工作繁琐、医疗数据样本偏差等所导致的智能诊断与决策系统训练数据及特征质量不高、数量不足等问题，提供了一种针对踝关节韧带损伤的步态特征提取与生成方法及系统，本发明所涉及的小样本运动医学数据来源于光学运动捕捉系统，在此基础上经测量模型构建、数据预处理及步态相期分割后，基于人体测量学研究挖掘受试者个体在各相期的步态运动规律，针对损伤组与对照组构建具有良好特异性的足踝运动特征空间，深度分析踝关节韧带损伤所导致的病理特征，扩展生成符合智能诊疗系统多样性需求的损伤组与对照组运动特征，并研发生成数据的有效性验证方法，在提供精细化特异性特征分析方法的同时，为相关智能算法与系统提供优质、高效的训练样本支持。
第三实施例
请参阅图6，本实施例提供一种针对踝关节韧带损伤的步态特征提取与生成系统，该针对踝关节韧带损伤的步态特征提取与生成系统包括：
足踝部运动测量模块，所述足踝部运动测量模块用于采集受试者步态数据；
数据预处理模块，所述数据预处理模块用于对采集的步态数据进行预处理；
步态相期分割模块，所述步态相期分割模块用于针对步态共性特征及受试者个体实际运动情况，将预处理后的步态数据按照特征标记点空间坐标位置进行步态周期和步态相位自动分割；
步态特征空间构建模块，所述步态特征空间构建模块用于基于步态周期和步态相位分割结果，对损伤组与对照组的各维度特征进行假设检验，筛选出具有显著特异性的足踝步态特征，构建步态的时空特征空间；
步态特征生成模块，所述步态特征生成模块用于构建深度卷积生成对抗网络，利用生成器与判别器之间生成与对抗的方式反复迭代优化生成数据质量，直到生成符合判别器要求的步态特征为止；
真实与生成特征相关度评估模块，所述真实与生成特征相关度评估模块用于以皮尔逊相关系数法衡量生成特征与真实特征间的线性相关程度；
生成特征有效性可视化验证模块，所述生成特征有效性可视化验证模块用于通过t分布随机近邻嵌入算法将真实及生成的高维运动特征映射到二维平面中，量化、直观地验证二者的分布及混叠情况。
本实施例的针对踝关节韧带损伤的步态特征提取与生成系统与上述实施例的针对踝关节韧带损伤的步态特征提取与生成方法相互对应，其中，本实施例的针对踝关节韧带损伤的步态特征提取与生成系统中的各模块单元所实现的功能与上述方法中的各流程步骤一一对应；故，在此不再赘述。
此外，需要说明的是，本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
最后需说明的是，以上所述是本发明的优选实施方式，应当指出，尽管已描述了本发明的优选实施例，但对于本领域普通技术人员来说，一旦得知了本发明的基本创造性概念，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

Claims (10)

1.一种针对踝关节韧带损伤的步态特征提取与生成方法，其特征在于，所述针对踝关节韧带损伤的步态特征提取与生成方法包括：
采集受试者的步态数据并对采集到的步态数据进行预处理；
针对步态共性特征及受试者个体实际运动情况，将预处理后的步态数据按照特征标记点空间坐标位置进行步态周期和步态相位自动分割；
基于步态周期和步态相位分割结果，对损伤组与对照组的各维度特征进行假设检验，筛选出具有显著特异性的足踝步态特征，构建步态的时空特征空间；
构建深度卷积生成对抗网络，利用生成器与判别器之间生成与对抗的方式反复迭代优化生成数据质量，直到生成符合判别器要求的步态特征为止。
2.如权利要求1所述的针对踝关节韧带损伤的步态特征提取与生成方法，其特征在于，在生成符合判别器要求的步态特征后，所述方法还包括：
以皮尔逊相关系数法衡量生成特征与真实特征间的线性相关程度；
通过t分布随机近邻嵌入算法将真实的高维运动特征及生成的高维运动特征映射到二维平面中，量化、直观地验证二者的分布及混叠情况。
3.如权利要求1所述的针对踝关节韧带损伤的步态特征提取与生成方法，其特征在于，所述采集受试者的步态数据，包括：
基于海德堡足部测量方法，建立覆盖小腿部分、踝关节部分、足跟部分、足中部分和足尖部分的足踝部运动测量模型；基于所述足踝部运动测量模型，通过光学运动捕捉系统采集受试者的步态数据；其中，
小腿部分测量的特征点包括：沿膝关节弯曲轴最大距离方向的膝关节内、外侧标记点、胫骨粗隆最凸出位置标记点以及胫骨三等分点；
踝关节部分测量的特征点包括：沿踝骨转动轴最大距离方向的内踝标记点和沿踝骨转动轴最大距离方向的外踝标记点；
足跟部分测量的特征点包括：跟骨内、外、背侧最凸出位置标记点和从矢状面观察轴线与地面约成45°的舟骨标记点；
足中部分测量的特征点包括：第1、5跖骨近端标记点和第1、2、5跖骨远端标记点；
足尖部分测量的特征点包括大拇趾的趾骨远端中点。
4.如权利要求1所述的针对踝关节韧带损伤的步态特征提取与生成方法，其特征在于，所述对采集到的步态数据进行预处理，包括：
对所采集的步态数据进行数字滤波，降低步态数据的噪声；
将数字滤波后的步态数据输入编码器进行二值化编码；
将二值化编码输入空间沉淀池，形成基于神经皮质网络的稳定稀疏离散表征，用于学习步态数据的空间频繁模式；
将空间频繁模式输入到时间沉淀池，构建活跃细胞间的神经连接，用于记忆步态数据的时间模式序列；
经网络迭代优化后，形成独立类别数据的分类预测模型，对所采集的步态数据中的缺失部分进行预测，补齐步态数据中的缺失值。
5.如权利要求3所述的针对踝关节韧带损伤的步态特征提取与生成方法，其特征在于，针对步态共性特征及受试者个体实际运动情况，将预处理后的步态数据按照特征标记点空间坐标位置进行步态周期和步态相位自动分割，包括：
基于跟骨背侧标记点空间位置对预处理后的步态数据进行步态周期分割；
基于跖骨远端中点空间位置对预处理后的步态数据进行步态相位分割，划分出每一步态周期中所包含的支撑相和摆动相；
基于根据背侧标记点空间位置帧间差进行支撑相期分割，划分出支撑相中所包含的着地期、支撑期以及推进期。
6.如权利要求5所述的针对踝关节韧带损伤的步态特征提取与生成方法，其特征在于，所述筛选出具有显著特异性的足踝步态特征，包括：
针对踝关节韧带损伤的特异性步态特征进行提取，所提取的特异性步态特征包括：步态基本特征、步态相期特征、步行速度特征和关节调整特征；其中，
特异性的步态基本特征包括：步长和跨步时长；
特异性步态相期特征包括：着地期占比和站立期占比；
特异性步行速度特征包括：小腿、踝关节及足部的最大速度，踝关节和足部的速度峰值在步态周期中出现的位置，小腿、踝关节和足中的最小速度，小腿的速度谷值在步态周期中出现的位置；
特异性关节调整特征包括：在支撑期，加减速调整次数，小腿、踝关节和足中由减速到加速的调整次数，小腿、踝关节、足跟和足中由加速到减速的调整次数，小腿、踝关节、足中和足尖的平均速度。
7.如权利要求1所述的针对踝关节韧带损伤的步态特征提取与生成方法，其特征在于，所述生成符合判别器要求的步态特征，包括：
将真实特异性步态特征进行拼接，形成多维特征矩阵；
构建步态特征生成器，将随机噪声进行拟合初步生成步态特征；
构建步态特征判别器，将初步生成步态特征与真实步态特征进行判别比较，计算其损失函数，反馈给生成器；
优化生成器参数，将初步生成结果进行进一步拟合与判别，反复迭代，直到生成符合判别器要求的步态特征为止。
8.如权利要求1所述的针对踝关节韧带损伤的步态特征提取与生成方法，其特征在于，所述衡量生成特征与真实特征间的线性相关程度，包括：
针对真实步态特征与生成步态特征进行多组随机等样本量抽样；
计算组内真实步态特征与生成步态特征的皮尔逊相关系数并求取组间相关系数平均值；对真实步态特征与生成步态特征的相关性进行评估。
9.如权利要求1所述的针对踝关节韧带损伤的步态特征提取与生成方法，其特征在于，所述通过t分布随机近邻嵌入算法将真实及生成的高维运动特征映射到二维平面中，量化、直观地验证二者的分布及混叠情况，包括：
将健康组与损伤组真实多维特征样本点与生成多维特征样本点之间的欧式距离转化为相似度的条件概率；
在低维空间，构建满足t分布的联合概率分布；
最佳化所有样本点间的KL散度总和，使高维空间和低维空间中的概率分布尽可能相似；
绘制健康组与损伤组真实步态特征与生成步态特征在低维空间的可视化分布，实现直观量化的生成特征相似性及差异性评估。
10.一种针对踝关节韧带损伤的步态特征提取与生成系统，其特征在于，所述针对踝关节韧带损伤的步态特征提取与生成系统包括：
足踝部运动测量模块，所述足踝部运动测量模块用于采集受试者步态数据；
数据预处理模块，所述数据预处理模块用于对采集的步态数据进行预处理；
步态相期分割模块，所述步态相期分割模块用于针对步态共性特征及受试者个体实际运动情况，将预处理后的步态数据按照特征标记点空间坐标位置进行步态周期和步态相位自动分割；
步态特征空间构建模块，所述步态特征空间构建模块用于基于步态周期和步态相位分割结果，对损伤组与对照组的各维度特征进行假设检验，筛选出具有显著特异性的足踝步态特征，构建步态的时空特征空间；
步态特征生成模块，所述步态特征生成模块用于构建深度卷积生成对抗网络，利用生成器与判别器之间生成与对抗的方式反复迭代优化生成数据质量，直到生成符合判别器要求的步态特征为止；
真实与生成特征相关度评估模块，所述真实与生成特征相关度评估模块用于以皮尔逊相关系数法衡量生成特征与真实特征间的线性相关程度；
生成特征有效性可视化验证模块，所述生成特征有效性可视化验证模块用于通过t分布随机近邻嵌入算法将真实及生成的高维运动特征映射到二维平面中，量化、直观地验证二者的分布及混叠情况。
CN202010148549.0A 2020-03-05 2020-03-05 针对踝关节韧带损伤的步态特征提取与生成方法及系统 Active CN111329488B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010148549.0A CN111329488B (zh) 2020-03-05 2020-03-05 针对踝关节韧带损伤的步态特征提取与生成方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010148549.0A CN111329488B (zh) 2020-03-05 2020-03-05 针对踝关节韧带损伤的步态特征提取与生成方法及系统

Publications (2)

Publication Number Publication Date
CN111329488A true CN111329488A (zh) 2020-06-26
CN111329488B CN111329488B (zh) 2021-02-02

Family

ID=71174274

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010148549.0A Active CN111329488B (zh) 2020-03-05 2020-03-05 针对踝关节韧带损伤的步态特征提取与生成方法及系统

Country Status (1)

Country Link
CN (1) CN111329488B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111820902A (zh) * 2020-06-29 2020-10-27 北京科技大学 一种基于活动度特征的踝关节韧带损伤智能决策系统
CN113284601A (zh) * 2021-06-10 2021-08-20 上海大学 一种基于激光步态检测的云平台管理系统
CN113962247A (zh) * 2021-09-30 2022-01-21 华南理工大学 一种基于标准库匹配的步态预测方法及系统
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
CN114779661A (zh) * 2022-04-22 2022-07-22 北京科技大学 基于多分类生成对抗模仿学习算法的化学合成机器人系统
CN117731243A (zh) * 2024-02-19 2024-03-22 北京大学第三医院（北京大学第三临床医学院） 基于步态数据特征的足部运动损伤辅助诊断方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108538388A (zh) * 2018-03-06 2018-09-14 上海逸动医学科技有限公司 一种膝关节运动障碍功能评判方法
CN109726654A (zh) * 2018-12-19 2019-05-07 河海大学 一种基于生成对抗网络的步态识别方法
CN109858351A (zh) * 2018-12-26 2019-06-07 中南大学 一种基于层级实时记忆的步态识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108538388A (zh) * 2018-03-06 2018-09-14 上海逸动医学科技有限公司 一种膝关节运动障碍功能评判方法
CN109726654A (zh) * 2018-12-19 2019-05-07 河海大学 一种基于生成对抗网络的步态识别方法
CN109858351A (zh) * 2018-12-26 2019-06-07 中南大学 一种基于层级实时记忆的步态识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
J. SIMON ET AL: "The Heidelberg foot measurement method: Development, description and assessment", 《GAIT & POSTURE》 *
吴晓光等: "基于条件生成对抗网络的人体步态生成", 《仪器仪表学报》 *
王彦蕴: "基于深度学习的跨视角步态识别研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
马乐乐等: "一种基于梯度提升树的肌电信号最优通道选择方法", 《信息与控制》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111820902A (zh) * 2020-06-29 2020-10-27 北京科技大学 一种基于活动度特征的踝关节韧带损伤智能决策系统
CN113284601A (zh) * 2021-06-10 2021-08-20 上海大学 一种基于激光步态检测的云平台管理系统
CN113962247A (zh) * 2021-09-30 2022-01-21 华南理工大学 一种基于标准库匹配的步态预测方法及系统
CN113962247B (zh) * 2021-09-30 2024-05-03 华南理工大学 一种基于标准库匹配的步态预测方法及系统
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
CN114779661A (zh) * 2022-04-22 2022-07-22 北京科技大学 基于多分类生成对抗模仿学习算法的化学合成机器人系统
CN117731243A (zh) * 2024-02-19 2024-03-22 北京大学第三医院（北京大学第三临床医学院） 基于步态数据特征的足部运动损伤辅助诊断方法及系统

Also Published As

Publication number Publication date
CN111329488B (zh) 2021-02-02

Similar Documents

Publication Publication Date Title
CN111329488B (zh) 针对踝关节韧带损伤的步态特征提取与生成方法及系统
Sarkalkan et al. Statistical shape and appearance models of bones
CN105615890B (zh) 人体下肢行走关节角度肌电连续解码方法
CN115346670A (zh) 基于姿态识别的帕金森病评级方法、电子设备及介质
JP7038403B2 (ja) 歩行動作評価装置及びプログラム
CN114052718A (zh) 步态评估系统及步态评估方法
Sinclair et al. The test-retest reliability of anatomical co-ordinate axes definition for the quantification of lower extremity kinematics during running
CN111820902B (zh) 一种基于活动度特征的踝关节韧带损伤智能决策系统
Liu et al. Synthesizing foot and ankle kinematic characteristics for lateral collateral ligament injuries detection
Perez et al. A smartphone-based system for clinical gait assessment
CN115281662B (zh) 一种慢性踝关节不稳智能辅助诊断系统
CN116999057A (zh) 基于穿戴式传感器的偏瘫步态识别及偏瘫步态评估方法
Xia et al. Predicting Free Achilles Tendon Strain From Motion Capture Data Using Artificial Intelligence
Zieliński et al. Computer aided erosions and osteophytes detection based on hand radiographs
CN113012812B (zh) 一种膝、踝关节以及足底压力数据整合方法及系统
Zeng et al. Classification of gait patterns using kinematic and kinetic features, gait dynamics and neural networks in patients with unilateral anterior cruciate ligament deficiency
CN110801204B (zh) 一种基于人体框架的平衡检测方法
CN114038060A (zh) 针对腿部关节步态的检测方法、终端及存储介质
Zhou et al. Automatic myotendinous junction identification in ultrasound images based on junction-based template measurements
CN116504393B (zh) 基于多模态数据的脊髓型颈椎病运动功能辅助评估系统
Zou et al. Image Feature Analysis and Dynamic Measurement of Plantar Pressure Based on Fusion Feature Extraction.
Błazkiewicz et al. Gait symmetry analysis based on dynamic time warping. Symmetry 2021, 13, 836
CN116864133B (zh) 一种个性化骨科康复计划推荐系统
CN117731243A (zh) 基于步态数据特征的足部运动损伤辅助诊断方法及系统
WO2023148427A1 (en) Method for training computing arrangement to provide prognosis of progression of tissue condition

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
GR01 Patent grant
GR01 Patent grant