CN116999057A - 基于穿戴式传感器的偏瘫步态识别及偏瘫步态评估方法 - Google Patents
基于穿戴式传感器的偏瘫步态识别及偏瘫步态评估方法 Download PDFInfo
- Publication number
- CN116999057A CN116999057A CN202311198633.3A CN202311198633A CN116999057A CN 116999057 A CN116999057 A CN 116999057A CN 202311198633 A CN202311198633 A CN 202311198633A CN 116999057 A CN116999057 A CN 116999057A
- Authority
- CN
- China
- Prior art keywords
- gait
- hemiplegia
- data
- sensor
- patient
- 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 154
- 206010019468 Hemiplegia Diseases 0.000 title claims abstract description 111
- 238000011156 evaluation Methods 0.000 title abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 71
- 230000033001 locomotion Effects 0.000 claims abstract description 40
- 210000003141 lower extremity Anatomy 0.000 claims abstract description 29
- 230000001133 acceleration Effects 0.000 claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 210000003423 ankle Anatomy 0.000 claims abstract description 19
- 210000000689 upper leg Anatomy 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 23
- 210000002683 foot Anatomy 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 18
- 210000003414 extremity Anatomy 0.000 claims description 14
- 210000000544 articulatio talocruralis Anatomy 0.000 claims description 12
- 210000004394 hip joint Anatomy 0.000 claims description 12
- 210000000629 knee joint Anatomy 0.000 claims description 11
- 210000001624 hip Anatomy 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000005484 gravity Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000007635 classification algorithm Methods 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 210000001699 lower leg Anatomy 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 13
- 238000002474 experimental method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 208000006011 Stroke Diseases 0.000 description 7
- 244000309466 calf Species 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 210000001503 joint Anatomy 0.000 description 5
- 238000007637 random forest analysis Methods 0.000 description 5
- 238000011084 recovery Methods 0.000 description 5
- 206010017585 Gait spastic Diseases 0.000 description 4
- 208000011644 Neurologic Gait disease Diseases 0.000 description 4
- 210000003127 knee Anatomy 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 210000002303 tibia Anatomy 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000007659 motor function Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 206010017577 Gait disturbance Diseases 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 210000000588 acetabulum Anatomy 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000004958 brain cell Anatomy 0.000 description 1
- 230000006931 brain damage Effects 0.000 description 1
- 231100000874 brain damage Toxicity 0.000 description 1
- 208000029028 brain injury Diseases 0.000 description 1
- 230000030833 cell death Effects 0.000 description 1
- 230000001447 compensatory effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 210000002082 fibula Anatomy 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 208000018879 impaired coordination Diseases 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 210000002414 leg Anatomy 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 210000004417 patella Anatomy 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 238000000554 physical therapy Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000003319 supportive effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 210000004233 talus Anatomy 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
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
- A61B5/103—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
-
- 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
- A61B5/6802—Sensor mounted on worn items
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Power Engineering (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及惯性传感器技术领域,提供一种基于穿戴式传感器的偏瘫步态识别及偏瘫步态评估方法,所述偏瘫步态识别包括:步骤100,分别在人体腰部中心、大腿中部、小腿中部、脚踝下方位置安装七个传感器节点;步骤200,利用所述传感器节点,实时采集步行时人体运动数据;其中,所述人体运动数据包括人体步行时在三维空间下下肢的加速度、角速度和磁场强度;步骤300,对采集的人体运动数据,进行偏瘫步态检测和相位识别。本发明能够实现自动划分偏瘫患者步态相位,为偏瘫患者康复数据的评估提供数据支持,并能够对偏瘫患者的步态进行了量化评估。
Description
技术领域
本发明涉及惯性传感器技术领域,尤其涉及一种基于穿戴式传感器的偏瘫步态识别及偏瘫步态评估方法。
背景技术
在世界范围内,每年有超过1370万例中风发作,25岁以上的人群中有四分之一的人经历过中风。中风是一种脑部疾病,当大脑的一部分血流被堵塞,随后导致脑细胞死亡。中风所引起的脑损伤通常情况下不是致命的,但严重的是将影响身体运动功能,包括引发暂时或永久的瘫痪。经过治疗后,一部分中风幸存者会很快恢复,而另一些则需要帮助和更多的时间来恢复失去的运动技能。中风后偏瘫步态的患者行走速度较慢,步长较短且不对称,患侧的站立和单支撑时间较短,关节运动学有改变,许多测量参数总体不平衡。为了加快康复进程,重新获得自理能力,脑卒中后患者应该进行物理治疗或康复治疗。量化步态指标可以帮助研究人员更多地了解些干预措施可以用来改善步态质量,防止关节损伤,并减少跌倒的风险。因此,有必要对偏瘫步态进行识别和分析,以便临床医生提供必要的康复训练。
传统的方法步态分析方法是由物理治疗师通过目测、临床印象或测试和测量来评估患者的体能活动。然而,这种方法过于依赖康复医师经验,仅从表象分析判断具有一定的局限性,治疗的可用性受限。现使用基于视觉、基于环境和基于射频的非穿戴式方法进行步态分析。基于视觉的步态分析中,常使用视频摄像机、热视觉传感器或深度摄像机进行视频或图像信息采集。这种技术的检测结果相对准确,然而,该类系统都需要在受控的研究设施中进行检查,限制了它们在环境中的应用。此外高精度的摄像机组的安装成本高昂。另外,对于基于环境的步态评估中通常使用地面部署的压力传感器和红外传感器。虽然该技术具有便携动态采集等优点,然而,却不能再及步态周期内连续的运动信号,无法获完整的步态信息,这两类系统都需要在受控的研究设施中进行检查,限制了它们在环境中的应用。采用雷达、各种微波传感器和无线保真信标等基于射频的系统。这些系统由于安装的复杂性结果受到影响。
此外,机器学习(ML)技术的突破提供了偏瘫步态评估的可能,避免了过去需要大量相关知识和时间。为研究人员提供了更多的工具和资源来处理从传感器收集的数据,从而允许更准确和更快的评估。
发明内容
本发明主要解决现有技术的偏瘫患者康复数据采集环境受限,不便捷,成本高等弊端,缺少高效的偏瘫步态识别方法及定量评价的技术问题,提出一种基于穿戴式传感器的偏瘫步态识别及偏瘫步态评估方法,以实现自动划分偏瘫患者步态相位,为偏瘫患者康复数据的评估提供数据支持,并能够对偏瘫患者的步态进行了量化评估。
本发明提供了一种基于穿戴式传感器的偏瘫步态识别,包括以下过程:
步骤100,分别在人体腰部中心、大腿中部、小腿中部、脚踝下方位置安装七个传感器节点;
步骤200,利用所述传感器节点,实时采集步行时人体运动数据;其中,所述人体运动数据包括人体步行时在三维空间下下肢的加速度、角速度和磁场强度;
步骤300,对采集的人体运动数据,进行偏瘫步态检测和相位识别;所述步骤300包括步骤301至步骤303:
步骤301,对采集的人体运动数据进行预处理,得到样本数据;
步骤302,利用步骤301处理好的样本数据,通过分类算法对健康人步态和偏瘫步态进行识别,并且区分患者的健侧和患侧;
步骤303,利用预处理后的惯性数据为输入,通过步态相位识别算法对偏瘫患者患侧的步态进行三相位划分识别。
进一步的,所述传感器节点采用惯性传感器,所述惯性传感器包括一个三轴微加速度计、一个三轴微陀螺仪和一个三轴微磁力计。
进一步的,所述步骤301包括步骤3011至步骤3013:
步骤3011,通过惯性传感器采集的原始人体运动数据,对人体运动数据进行预处理来减少采集过程中噪声和扰动的干扰;采用滑动窗口将冗长的时间序列数据进行分割处理;
步骤3012,分割好数据后,从三轴加速度和三轴角速度中内提取时域特征和频域特征;
步骤3013,根据步骤3012提取的时域特征和频域特征,进行主成分分析降维处理,得到样本数据。
进一步的,在步骤3012中,所述时域特征包括一个滑窗内的最大值、最小值、平均值、中值、标准差、均方根、和信号峭度、偏度、裕度因子;
所述频域特征是将惯性数据进行快速傅里叶变换转换到频域后,提取的频域特征包含平均频率、重心频率和均方根频率。
进一步的,在步骤303中,所述三相位包括:摆动相、足放平和蹬伸期;
对于第n个步态周期,可以表示为:T(n)=HS(n+1)-HS(n);
足放平可以表示为:TFF(n)=HO(n)-FF(n);
蹬伸期可以表示为:THO(n)=TO(n)-HO(n);
摆动相可以表示为:TSW(n)=HS(n+1)-TO(n)。
对应的,本发明提供一种本发明任意实施例提供的基于穿戴式传感器的偏瘫步态相位识别方法的偏瘫步态评估方法,包括以下过程:
在步骤300之后,包括:
步骤400,将人体运动数据进行下肢参数解算;
步骤500,根据步态时空参数和人体下肢髋膝踝关节角时间序列,并依据步速对偏瘫患者进行划分,对偏瘫步态进行分析。
进一步的,所述步骤400包括步骤401至步骤404:
步骤401,利用四元数法生成传感器坐标系与全局坐标系旋转矩阵,将传感器获取的加速度信号转变成全局坐标系下的加速度矢量信号;利用捷联惯导算法对传感器获取的加速度信号进行积分获得速度信息,再积分获得位移信息;足部在步行过程中的姿态和位置参数确定以后,依据时相参数可以计算步态时空参数;
步骤402,同样利用四元数法描述站立情况下身体坐标系与全局坐标系间的关系,用其表征人体下肢运动在地理坐标系下的初始姿态;
步骤403,采用梯度下降的数据融合算法对解出的四元数进行优化(参考图6),消除姿态误差;
步骤404,根据获得的肢体向量位置和相邻肢体相对旋转角度可进一步求取膝关节、踝关节角度;并用俯仰角表示矢状面的关节屈曲变化,将四元数转化成矢状面的俯仰角。
进一步的,所述步骤500包括步骤501至步骤503:
步骤501,依据步速对偏瘫患者进行划分;
步骤502,对偏瘫步态进行时相参数分析:
建立时相参数的比率指标RssU和RssA,再将两者的比率作为指标Rss来量化偏瘫步态的对称性情况;
步骤503,构建评分函数,对偏瘫步态进行步态质量分析:
所述评分函数:
其中,di是患者下肢各关节角与参考序列间的WDTW距离,μ和σ分别是所有患者数据的均值和标准差,α为待定参数,当α=3时,可以将分值映射到合适的区间。
本发明提供的一种基于穿戴式传感器的偏瘫步态识别及偏瘫步态评估方法,为了解决偏瘫患者康复数据采集环境受限,不便捷,成本高等弊端,缺少高效的偏瘫步态识别方法及定量评价的等技术问题,使用新技术来评估康复结果,即“可穿戴传感器”,可穿戴技术由加速度计、陀螺仪和力传感器等组成。它提供了高水平的便携性和低价格,为研究人员和治疗师提供了大量的可能性和解决方案。由于穿戴式传感器趋于便捷小巧方向发展,避免上述问题,因此穿戴式传感器通常被认为是医疗保健、安全、运动、健身、步态分析和跌倒预测等应用中最合适的技术。
本发明基于穿戴式传感器采集患者的人体运动数据,对采集的人体运动数据,进行误差分析归一化等预处理,构建机器学习网络进行偏瘫步态检测与相位识别,进而区分患者的健侧与患侧,实现自动划分偏瘫患者步态相位,为偏瘫患者康复数据的评估提供数据支持。通过数据融合算法进行下肢参数解算,避免患者个体差异性,减少误差保证解算精确性,提取了患者下肢髋膝踝关节角数据,并结合步态的对称性、关节角畸变程度对偏瘫患者的步态进行了量化评估。提出量化指标为评价康复治疗效果提供数据支持,避免由人为主观因素引起的偏差;同时提供反馈偏瘫步态评估效果便携方法,提高用于实时反馈偏瘫治疗效果评估的可靠性,为偏瘫步态评估的功能和机理提供科学依据。
附图说明
图1为本发明提供的基于穿戴式传感器的偏瘫步态识别方法的实现流程图;
图2为本发明提供的基于穿戴式传感器的偏瘫步态识别方法中传感器节点的一种安装位置示意图;
图3为本发明提供的基于穿戴式传感器的偏瘫步态识别方法中使用的开发套件;
图4为本发明提供的基于穿戴式传感器的偏瘫步态识别方法中坐标系示意图;
图5为本发明提供的基于穿戴式传感器的偏瘫步态识别方法中BiLTSM结网络结构示意图;
图6为本发明提供的基于穿戴式传感器的偏瘫步态识别方法中梯度下降法算法示意图;
图7为本发明提供的基于穿戴式传感器的偏瘫步态识别方法的人体下肢关节角定义示意图;
图8为本发明提供的基于穿戴式传感器的偏瘫步态评估方法的实现流程图。
具体实施方式
为使本发明解决的技术问题、采用的技术方案和达到的技术效果更加清楚,下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部内容。
如图1所示,本发明实施例提供的基于穿戴式传感器的偏瘫步态识别方法,包括以下过程:
步骤100,分别在人体腰部中心、大腿中部、小腿中部、脚踝下方位置安装七个传感器节点。
本步骤的传感器节点布置可参考图2。所述传感器节点采用惯性传感器,所述惯性传感器包括一个三轴微加速度计、一个三轴微陀螺仪和一个三轴微磁力计,其中,微加速度计和微陀螺仪满足质量轻、体积小、低功耗和低成本的要求。
步骤200,利用所述传感器节点,实时采集步行时人体运动数据。
其中,所述人体运动数据包括人体步行时在三维空间下下肢的加速度、角速度和磁场强度。具体的,参考图3,利用为爱尔兰Shimmer公司的Shimmer3可穿戴式无线传感器,其每个传感器节点包括九轴惯性传感器、心电信号采集器、表面肌电传感器和高度计。设定400HZ采样频率采集数据,将其存储在可穿戴式无线传感器的SD卡中,由上位机的Consensys软件进行读取和保存。
步骤300,对采集的人体运动数据,进行偏瘫步态检测和相位识别;所述步骤300包括步骤301至步骤303:
步骤301,对采集的人体运动数据进行预处理,避免设备噪声、摆放位置或者磁场强度等因素的干扰,步骤301包括步骤3011至步骤3013:
步骤3011,通过惯性传感器采集的原始人体运动数据,对人体运动数据进行预处理来减少采集过程中噪声和扰动的干扰;采用滑动窗口将冗长的时间序列数据进行分割处理。
本步骤是利用高斯滤波器对原始人体运动数据进行滤波减少采集数据过程中的噪声和干扰;使用滑动窗口分割数据时,将窗口长度设定为400个采样点,尽可能多地覆盖一个步态周期,避免相邻特征差异过大;在识别步态的相位时,将窗口长度设定为50个采样点,避免窗口内包含多个相位。步长选取窗口长度的一半。
步骤3012,分割好数据后,从三轴加速度和三轴角速度中内提取时域特征和频域特征。
其中,时域特征9维数据,频域特征3维数据,每轴12维数据,共计72维特征。所述时域特征包括一个滑窗内的最大值、最小值、平均值、中值、标准差、均方根、和信号峭度、偏度、裕度因子。
最大值:F1=max(x(i));
最小值:F2=min(x(i));
平均值:
中值:F4=median(x(i));
标准差:
均方根:
信号峭度:
偏度:
裕度因子:
其中,x(i)表示时间序列数据,Ns表示数据点数。
所述频域特征是将惯性数据进行快速傅里叶变换转换到频域后,提取的频域特征包含平均频率、重心频率和均方根频率。
平均频率:
重心频率:
均方根频率:
其中,u(n)表示傅里叶变换后序列数据,表示傅里叶变换后序列数据平均值。
对所提取的特征通过公式:进行归一化处理,将数据映射到[0,1]区间内,其中,max和min分别是特征中的最大和最小值,达到每一维特征同等对待采用min-max标准化。
步骤3013,根据步骤3012提取的时域特征和频域特征,进行主成分分析降维处理,得到样本数据。
进行主成分分析(Principal Component Analysis,PCA)降维处理,来避免特征存在冗余问题影响运行速率。具体步骤为:简化协方差矩阵的计算,首先计算每个维度的均值,然后从样本集中减去该平均值,这样每个特征的平均值为零。确定协方差矩阵特征值和特征向量。根据特征值的大小比排列特征值,并选择前k个相应的特征向量作为第一主成分、第二主成分等,以此类推,形成投影矩阵P。经过变换后,样本被映射到k维空间,得到降维的数据。在协方差矩阵中,给定特征值与总特征值之比代表该特征值对方差的贡献系数,即主成分解释方差与总方差之比。贡献系数越大,说明主成分综合原始样本信息的能力越强。因此,前k个主成分的解释方差与总方差之比就是贡献系数与总方差之比。使用主成分分析特征后,本发明选择总贡献率为95%的前27维特征。
所述样本数据是72维数据经过PCA降维后贡献率为95%的前27维特征。其中前三维贡献率为20.6%,18.9%,5.9%。
步骤302,利用步骤301处理好的样本数据,通过分类算法对健康人步态和偏瘫步态进行识别,并且区分患者的健侧和患侧。
其中,所述的分类算法包括K近邻、支持向量机或随机森林。
本发明应用三个机器学习的评价标准:
通过公式得到检测准确率Acc;
通过公式得到检测精确度PPV;
通过公式获得检测Macro-PPV。
其中,TP表示标签为正例,预测也为正例,FP表示标签为正例,预测也为正例,βi表示权值。
具体的过程为:对于偏瘫步态检测来识别健康人和偏瘫患者并区分患者的健侧和患侧。为了进一步简化数据的采集和处理的流程,仅使用安放在脚踝、小腿和大腿处一个惯性传感器的数据对偏瘫步态进行检测。惯性数据经预处理后,由患者大腿、小腿和脚踝处的数据各提取4071个样本,其中58%的样本来自患侧,剩下的样本来自健侧。另外健康人每个位置提取480个样本数据。将所有数据集按照8:2的比例进行训练,并采用五折交叉验证选择效果最好的模型。分别利用K近邻(k-NearestNeighbor,KNN)、支持向量机(supportvector machines,SVM)、随机森林(Random Forest,RF)进行偏瘫步态检测。
本发明通过人体运动数据实现对健康人和偏瘫患者健侧和患侧的自动识别,为后续偏瘫步态评估做准备。利用安装在人体腰部中心、大腿中部、小腿中部、脚踝下方位置安装七个传感器节点,采集患者及健全人在连续多个步伐周期内加速度信号,角速度信号和磁场强度。进行滤波,滑动窗口和归一化等预处理后,经PCA处理后提取时域和频域共27维特征进行训练。
本发明提出的基于机器学习进行偏瘫步态检测算法实现偏瘫患者与健康人的自动识别,可以得出结论:根据各分类算法的准确度和精度表明大腿、小腿和脚踝处都可以检测健康人和偏瘫患者,其中SVM准确度最高。对于患者的健侧和患侧,同样SVM的精确度可以超过96%。就单一位置传感器来说,其中检测效果最好的是位于大腿处的节点,其次是小腿处,效果最差的是踝关节处的节点。
步骤303,利用预处理后的惯性数据为输入,通过步态相位识别算法对偏瘫患者患侧的步态进行三相位划分识别。
所述步态相位识别算法包括卷积神经网络(Convolutional Neural Networks,CNN)、循环神经网络(Recurrent Neural Network,RNN)或双向长短期记忆网络算法(Bidirectional Long Short-Term Memory Networks,Bi-LSTM网络,如图4所示)。
在运动过程中,人体足部状态有脚跟触地、足放平、脚跟离地、脚趾离地。脚跟触地(Heel Strike,HS):摆动相末期后脚跟着地,此刻踝关节开始由背屈变为跖屈,以增大接地面积。此刻脚踝处节点矢状面上的角速度为过零点。
足放平(Foot Flat,FF):支撑相中期,全足着地,身体重心前移,踝关节逐渐背屈。此阶段的脚掌起支撑作用,矢状面上的角速度保持为0。
脚跟离地(Heel Off,HO):支撑相后期,脚掌蹬地提供前向动力,脚后跟抬起离地。此刻再次由背屈变为跖屈,矢状面上的角速度为过零点。
脚趾离地(Toe Off,TO):此刻脚掌完全廓清地面,进入摆动相。
根据以上人体足部状态,可以对每个步态周期的相位进行划分。所述三相位,包括:摆动相、足放平和蹬伸期。对于第n个步态周期,可以表示为:T(n)=HS(n+1)-HS(n);
足放平可以表示为:TFF(n)=HO(n)-FF(n);
蹬伸期可以表示为:THO(n)=TO(n)-HO(n);
摆动相可以表示为:TSW(n)=HS(n+1)-TO(n)。
具体的过程为:通过预处理后从患者患侧选取7760个样本数据,构建了堆叠式Bi-LSTM网络。设置参数如下:学习率0.001,最大迭代轮次为50,隐藏层单元数设定为100,梯度阈值设定为5,批量大小设定为64。为了防止出现过拟合现象,在网络模型中加入dropout层,对dropout的参数取值0.2,即在每一次迭代中随机屏蔽20%的神经元。
本发明通过惯性数据实现对偏瘫患者三相位的自动识别,为后续偏瘫步态评估做准备。利用安装在人体腰部中心、大腿中部、小腿中部、脚踝下方位置安装七个传感器节点,采集患者在连续多个步伐周期内加速度信号,角速度信号和磁场强度。同上述步骤3011进行滤波,滑动窗口和归一化等预处理后,共选取7760个样本数据。
本发明提出的基于深度学习的偏瘫步态相位算法实现偏瘫患者摆动相、足放平和蹬伸期的自动识别,可以得出结论:以8:2划分数据集和测试集输入网络结构中,经训练后达到了94.3%准确度,其中,该网络对摆动期的识别精度最高达到了98.7%准确度,对足放平的识别精度为91.8%准确度。
本发明的基于穿戴式传感器的偏瘫检测和识别方法,利用惯性传感器可以采集到完整的步态信息,并且其不依赖试验环境、具有低成本、体积小、便携等优势。在偏瘫步态检测部分,对原始数据进行预处理后提取时域和频域作为数据特征,比较SVM、KNN和RF三种机器学习算法,对于健康人和患者的分类,三种算法都达到90%以上的准确率,其中SVM效果最好可以达到95%准确度。就单一传感器节点,处于大腿位置的数据训练效果最好,达到92%以上,其中SVM准确度高达到95.8%。因此SVM最适合偏瘫步态检测。在偏瘫步态相位识别部分,比较一维卷积神经网络(1D Convolutional Neural Network,1D-CNN),RNN和Bi-LTSM三种深度学习算法,其中1D-CNN对蹬伸期的识别精度最高,超过了97%,但是对足放平和摆动期的精度较差。而Bi-LSTM对摆动期的识别精度最高,前者达到了98.7%。采用机器学习算法对偏瘫步态识别检测,能减少惯性数据的复杂计算实现偏瘫步态自动识别。
实施例二
如图8所示,本发明还提供一种根据本发明任意实施例提供的基于穿戴式传感器的偏瘫步态相位识别方法的偏瘫步态评估方法,包括以下过程:
本发明任意实施例提供的基于穿戴式传感器的偏瘫步态相位识别方法(步骤100至步骤300)以及步骤400、步骤500。
步骤400,将人体运动数据进行下肢参数解算。步骤400包括步骤401至步骤404:
步骤401,利用四元数法生成传感器坐标系与全局坐标系旋转矩阵,将传感器获取的加速度信号转变成全局坐标系下的加速度矢量信号;利用捷联惯导算法对传感器获取的加速度信号进行积分获得速度信息,再积分获得位移信息;足部在步行过程中的姿态和位置参数确定以后,依据时相参数可以计算步态时空参数;
其中,所述步态空间参数包括跨步长、步高、步宽以及步速。
具体的过程为:步态空间参数解算之前需定义坐标系,参考图5全局坐标系(GCS,简称G系)、传感器坐标系(SCS,简称S系)、身体坐标系(BCS,简称B系)共三种右手直角坐标系,参考图4。由于磁力计受周围环境磁场的影响,对九轴数据通过公式:和/>进行误差补偿,其中,/>是加速度计输出值,/>是加速度真实值,/>是重力加速度,/>是白噪声;/>是陀螺仪计输出值,/>是角速度真实值,/>是磁力计输出值,/>是磁场强度真实值,H是磁力计的误差矩阵,Nm是白噪声。采集的原始数据被定义在传感器坐标系下的数值,利用四元数法生成传感器坐标系与全局坐标系旋转矩阵,将传感器获取的加速度信号转变成全局坐标系下的加速度矢量信号;再对加速度信号进行积分获得速度信息,再积分获得位移信息;足部在步行过程中的姿态和位置参数确定以后,依据时相参数可以计算跨步长、步高、步宽以及步速等空间参数。在后续步态分析中,根据患者步速的不同,其步态周期,步长、步宽及跨步长与健康人相比表现出不同差异。
步骤402,同样利用四元数法描述站立情况下身体坐标系与全局坐标系间的关系,用其表征人体下肢运动在地理坐标系下的初始姿态;
参考图7髋关节由凹形的髋臼和凸形的股骨头组成。髋关节是肢中最灵活、最稳定的关节。人在站立时,两侧髋关节承受重量占身体重量的1/3,行走时,髋关节承受的重量约为身体重量的2.5倍。健康人在摆动阶段,当脚跟触地时,髋关节的屈曲度达到最大(约35°-40°);在站立阶段,髋关节逐渐伸展;在站立阶段结束时,当脚跟离开地面时,髋关节的伸展直至达到最大角度(约10°-15°)。
膝关节由股骨和胫骨的内侧和外侧髁以及髌骨组成,是人体最大和最复杂的关节,也是最容易受伤的关节。健康人站立时,膝关节几乎是伸直的,仅微屈约20°,以减少重心的位移。在摆动阶段中期,膝关节达到最大屈曲,此时胫骨抬高,屈曲角度约为60°。对于偏瘫患者的膝关节难以完成这些动作,需要其他关节的代偿运动来完成步态。
踝关节由胫骨、距骨头部和腓骨下端的关节面构成。当重心前移时,踝关节由跖屈转为背屈,在站立阶段的70%左右达到最大背屈值约10°,然后为了将脚抬离地面,踝关节进入跖屈以提供向前的加速度,并在脚球抬离地面时达到最大跖屈(15°~20°)。
具体的过程为:下肢姿态解算同样涉及到全局坐标系(GCS,简称G系)、传感器坐标系(SCS,简称S系)、身体坐标系(BCS,简称B系)共三种右手直角坐标系。为了有效避免每次测量传感器固定位置不同导致的轴系方向不统一的问题,使实验者初始时朝北静止站立;通过加速度计和磁力计数据,可以求取初始条件下B系与G系间的关系,其中,γ、θ、/>分别表示初始静止时刻的俯仰角、翻滚角及偏航角,/> 表示加速度计三个轴的测量值;/>表示磁力计三个轴的测量值,上标S表明测量值是在传感器坐标系中定义的,将其转化为四元数其中,四元数/>表示初始静止时刻传感器坐标系与身体坐标系的关系,由于朝北使身体坐标系与地理坐标系重合,可以认为/>由于整个实验过程中传感器固定于人体下肢,因此可以假定传感器坐标系与身体坐标系的映射关系保持不变,即/>
步骤403,采用梯度下降的数据融合算法对解出的四元数进行优化(参考图6),消除姿态误差。
具体过程:通过梯度下降法对四元数进行姿态更新,消除误差,得到传感器姿态四元数:结合角速度数据带入上式进行化简,得到四元数的最终姿态为:
步骤404,根据获得的肢体向量位置和相邻肢体相对旋转角度可进一步求取膝关节、踝关节角度;并用俯仰角表示矢状面的关节屈曲变化,将四元数转化成矢状面的俯仰角。
本发明通过计算绑定在肢体上的传感器在GCS坐标系下的四元数来描述肢体段的姿态。在实验开始时,受试者穿戴传感器面向北方静止一段时间,在此阶段,可以认为BCS和GCS对齐,因此初始阶段的/>等于/>由于传感器与肢体的相对位置固定,SCS与BCS的相对位置也固定,即/>可以看作是常量。由此可以得到GCS中肢体的姿态四元数:由此,可以通过四元数/>描述坐标系中每个肢体段的姿态。
在本步骤中,通过计算相邻两个肢体段的位姿,可以得到对应的关节角。并用俯仰角表示矢状面的关节屈曲变化,将四元数转化成矢状面的俯仰角,能够便于观察关节的动态变化曲线。
步骤500,根据步态时空参数和人体下肢髋膝踝关节角时间序列,并依据步速对偏瘫患者进行划分,对偏瘫步态进行分析。步骤500包括如下步骤501至步骤503:
步骤501,依据步速对偏瘫患者进行划分。
步速是体现一个人行走能力最稳定,最敏感的指标。以步速为划分条件将患者分为慢速组、中速组和快速组与健康人进行对照评估。偏瘫患者行走能力受损,导致空间步态参数出现异常。由于患者的受损程度不同,其步速出现明显下降,由于各关节协调能力被破坏,步态周期、跨步长、步宽和步高与健康人相较普遍降低。
以健康人步态空间参数为依据,根据步速将患者分为慢速组、中速组和快速组三组对照,分析速度对步态空间参数的影响。其中步态空间参数包括:步态周期、跨步长、步宽和步高。
以健康人步态时间参数为依据,根据步速将患者分为慢速组、中速组和快速组三组对照,分析速度对步态时间参数的影响。其中步态时间参数通过支撑相和摆动相所占百分比表示。
具体的过程为:将一步态周期划分为支撑相和摆动相,绘制两相位占比饼状图直观显示患者与健康人在时间步态参数的差异;同样根据步速将患者分为慢速组、中速组和快速组,绘制不同步速下,患者健侧和患侧两相位占比饼状图直观显示时间步态参数的差异。
步骤502,对偏瘫步态进行时相参数分析。
为进一步量化患者步态对称性,建立时相参数的比率指标RssU和RssA,再将两者的比率作为指标Rss来量化偏瘫步态的对称性情况。
对步态时间参数分析,理想的对称步态模式,Rss的值应该为1。实际情况下Rss的范围为1±0.01,RssU和RssA的范围为1.5±0.05。数值越大,步态对称程度越差。
以健康人下肢髋膝踝关节角为依据,根据步速将患者分为慢速组、中速组和快速组三组对照,分析速度对下肢关节角的影响。通过加权动态时间规整(WeightedDynamicTime Warping,WDTW)距离的数值描述了畸变的程度。
步骤503,构建评分函数,对偏瘫步态进行步态质量分析。
此外,为更直观分析步态质量,构建评分函数:其中,di是患者下肢各关节角与参考序列间的WDTW距离,μ和σ分别是所有患者数据的均值和标准差,α为待定参数,当α=3时,可以将分值映射到合适的区间。
具体过程为:人体下肢的关节角序列反应患者运动能力的减弱程度,通过计算不同步速与下肢髋膝踝关节角最大值的皮尔逊相关系数,揭示了步速与下肢关节角之间存在的关系;利用WDTW算法量化在不同步速情况下患者关节角序列与健康人关节角序列间的距离;建立评分函数:量化下肢髋膝踝关节角评估,将度量值映射为0到100之间的分数。以90分为界限,健康人的分数达到90分以上,评分在[0,90]的区间内为偏瘫患者。最后绘制雷达图直观显示患者左右侧的偏瘫程度,其中每个轴表示健侧髋、膝、踝关节和患侧髋、膝踝关节。每个轴上的数值(即归一化WDTW距离)被用作步态参数畸变的度量,该值越小,步态越接近正常模式。
本发明提出引入动态时间规整(Dynamic Time Warping,DTW)算法评估偏瘫患者下肢关节角相较于健康人的畸变程度。并且以步速为参考变量,探究不同步速对患者下肢关节角畸变影响。此外,为了验证方法的可信度,还通过采用欧氏距离,最长公共子序列;还有基于形状的距离,例如Hausdorff距离和Frechet距离进行对照实验,结果表明DTW的结果与步速呈现高度相关。然而,DTW有时也会产生过扭曲问题,提出加权DTW算法对关节角序列中的差异定量计算避免误差。
下面以实例的形式对本实施例提供的方案进行说明:
为验证本发明所提出的穿戴式传感器的偏瘫步态识别与分析方法,应用本发明提供的偏瘫步态识别与分析方法进行偏瘫患者步态实验。在实验中探究不同步速下患者的步态参数和下肢关节角畸变程度,对进行偏瘫患者的人体运动数据进行采集,识别并解算,进而为验证和量化评价偏瘫步态提供数据支持。通过该实验研究,验证偏瘫步态识别与分析方法的有效性,同时为偏瘫治疗的运动机理提供科学依据。
实验平台的建立:
实验中,在偏瘫患者的腰部中心、大腿中部、小腿中部、脚踝下方位置共七个关键肢体部位处绑定传感器节点,传感器爱尔兰Shimmer公司的Shimmer3 Consensys EMG开发套件,本实验只涉及到惯性测量单元,其包含三轴微加速度计和三轴微陀螺仪,实时采集人体步行过程中的三轴加速度和三轴角速度,用以提取步态参数、分析步态特征。
实验内容的设计:
确定治疗团队:治疗师和伴行者。治疗师专门负责评定Brunnstrom运动功能恢复分期量表、Hoffer步行功能分级量表并指导患者执行训练计划,两名伴行者在患者两旁保护患者的安全并维持正确姿势。在治疗过程中,小组成员分工配合,共同完成治疗任务。
选定实验对象:实验在室内环境中进行,共计有26名偏瘫患者参与实验,平均年龄61±10岁,平均身高169.25±5.77cm,平均体重71.75±9.89kg。
制定训练流程:在实验人员的协助下,分别在腰部和左右两侧下肢佩戴七个惯性传感器节点,节点固定位置分别为腰部中心、大腿中部、小腿中部、脚踝下方。实验环境为长度约10m的无遮挡的空旷走廊,要求实验对象以其感觉舒适的步速沿直线往返行走,完成10m×2行走测试。
康复效果评价:根据训练过程中采集到的实验数据,将采集到的人体运动数据进行预处理提取数据特征合成数据集,采用机器学习算法进行偏瘫步态检测与相位识别;步态空间参数解算,根据步态空间参数和下肢关节角时间序列,量化评估步态对称性和关节角畸变程度。
实验数据的采集:传感器节点分别放置在受试者下肢的7个位置,即腰部以及每条腿的大腿、小腿和脚踝处。在每次采集中,受试者沿着直线走10米,在相同条件下重复进行两次。对于行走困难的受试者,由医护人员在行走过程中搀扶,以完成实验。
实验数据处理与结果分析:首先进行偏瘫患者数据采集和偏瘫步态检测与相位识别,对通过误差补偿后的惯性数据进行滑动窗口提取特征并降维后,通过KNN、SVM、RF对偏瘫步态进行识别。其中SVM区分偏瘫步态的准确率达到了99.7%,在对患者健侧和患侧的分类上也达到了96%的准确度。通过研究比较发现,传感器位于患者大腿位置时,检测的效果最好。在相位识别中,采用了三相位划分,且BiLSTM网络进行相位识别效果最好,准确率达到了94.3%。
后续通过梯度下降算法进行了惯性数据融合以及位姿解算,计算了患者下肢两侧各关节的关节角,分析偏瘫步态的关节角特征。利用WDTW算法用于关节角序列之间的距离度量,来证实关节角序列间距离和患者步速的相关性。将患者下肢各关节与参考序列间的距离绘制成雷达图,用于对患者的异常步态分析和评估,同时对患者的步态表现给出评分,定量、直观地反映患者的行走能力,从而帮助医师制定具有针对性的康复方案。
本实施例提供的基于穿戴式智能设备的偏瘫患者康复数据评估方法,基于惯性传感器采集患者的运动信息,实现偏瘫步态自动所检测与相位识别,并提出评价偏瘫患者关节角畸变程度的客观量化指标,为评价康复治疗效果提供数据支持,避免由人为主观因素引起的偏差;同时提供反馈偏瘫步态评估效果便携方法,提高用于实时反馈偏瘫治疗效果评估的可靠性,为偏瘫步态评估的功能和机理提供科学依据。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种基于穿戴式传感器的偏瘫步态识别方法,其特征在于,包括以下过程:
步骤100,分别在人体腰部中心、大腿中部、小腿中部、脚踝下方位置安装七个传感器节点;
步骤200,利用所述传感器节点,实时采集步行时人体运动数据;其中,所述人体运动数据包括人体步行时在三维空间下下肢的加速度、角速度和磁场强度;
步骤300,对采集的人体运动数据,进行偏瘫步态检测和相位识别;所述步骤300包括步骤301至步骤303:
步骤301,对采集的人体运动数据进行预处理,得到样本数据;
步骤302,利用步骤301处理好的样本数据,通过分类算法对健康人步态和偏瘫步态进行识别,并且区分患者的健侧和患侧;
步骤303,利用预处理后的惯性数据为输入,通过步态相位识别算法对偏瘫患者患侧的步态进行三相位划分识别。
2.根据权利要求1所述的基于穿戴式传感器的偏瘫步态识别方法,其特征在于,所述传感器节点采用惯性传感器,所述惯性传感器包括一个三轴微加速度计、一个三轴微陀螺仪和一个三轴微磁力计。
3.根据权利要求1所述的基于穿戴式传感器的偏瘫步态识别方法,其特征在于,所述步骤301包括步骤3011至步骤3013:
步骤3011,通过惯性传感器采集的原始人体运动数据,对人体运动数据进行预处理来减少采集过程中噪声和扰动的干扰;采用滑动窗口将冗长的时间序列数据进行分割处理;
步骤3012,分割好数据后,从三轴加速度和三轴角速度中内提取时域特征和频域特征;
步骤3013,根据步骤3012提取的时域特征和频域特征,进行主成分分析降维处理,得到样本数据。
4.根据权利要求3所述的基于穿戴式传感器的偏瘫步态识别方法,其特征在于,在步骤3012中,所述时域特征包括一个滑窗内的最大值、最小值、平均值、中值、标准差、均方根、和信号峭度、偏度、裕度因子;
所述频域特征是将惯性数据进行快速傅里叶变换转换到频域后,提取的频域特征包含平均频率、重心频率和均方根频率。
5.根据权利要求4所述的基于穿戴式传感器的偏瘫步态识别方法,其特征在于,在步骤303中,所述三相位包括:摆动相、足放平和蹬伸期;
对于第n个步态周期,可以表示为:T(n)=HS(n+1)-HS(n);
足放平可以表示为:TFF(n)=HO(n)-FF(n);
蹬伸期可以表示为:THO(n)=TO(n)-HO(n);
摆动相可以表示为:TSW(n)=HS(n+1)-TO(n)。
6.一种权利要求1至5任一项所述的基于穿戴式传感器的偏瘫步态相位识别方法的偏瘫步态评估方法,其特征在于,包括以下过程:
在步骤300之后,包括:
步骤400,将人体运动数据进行下肢参数解算;
步骤500,根据步态时空参数和人体下肢髋膝踝关节角时间序列,并依据步速对偏瘫患者进行划分,对偏瘫步态进行分析。
7.根据权利要求6所述的偏瘫步态评估方法,其特征在于,所述步骤400包括步骤401至步骤404:
步骤401,利用四元数法生成传感器坐标系与全局坐标系旋转矩阵,将传感器获取的加速度信号转变成全局坐标系下的加速度矢量信号;利用捷联惯导算法对传感器获取的加速度信号进行积分获得速度信息,再积分获得位移信息;足部在步行过程中的姿态和位置参数确定以后,依据时相参数可以计算步态时空参数;
步骤402,同样利用四元数法描述站立情况下身体坐标系与全局坐标系间的关系,用其表征人体下肢运动在地理坐标系下的初始姿态;
步骤403,采用梯度下降的数据融合算法对解出的四元数进行优化(参考图6),消除姿态误差;
步骤404,根据获得的肢体向量位置和相邻肢体相对旋转角度可进一步求取膝关节、踝关节角度;并用俯仰角表示矢状面的关节屈曲变化,将四元数转化成矢状面的俯仰角。
8.根据权利要求7所述的偏瘫步态评估方法,其特征在于,所述步骤500包括步骤501至步骤503:
步骤501,依据步速对偏瘫患者进行划分;
步骤502,对偏瘫步态进行时相参数分析:
建立时相参数的比率指标RssU和RssA,再将两者的比率作为指标Rss来量化偏瘫步态的对称性情况;
步骤503,构建评分函数,对偏瘫步态进行步态质量分析:
所述评分函数:
其中,di是患者下肢各关节角与参考序列间的WDTW距离,μ和σ分别是所有患者数据的均值和标准差,α为待定参数,当α=3时,可以将分值映射到合适的区间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311198633.3A CN116999057A (zh) | 2023-09-18 | 2023-09-18 | 基于穿戴式传感器的偏瘫步态识别及偏瘫步态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311198633.3A CN116999057A (zh) | 2023-09-18 | 2023-09-18 | 基于穿戴式传感器的偏瘫步态识别及偏瘫步态评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116999057A true CN116999057A (zh) | 2023-11-07 |
Family
ID=88563936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311198633.3A Pending CN116999057A (zh) | 2023-09-18 | 2023-09-18 | 基于穿戴式传感器的偏瘫步态识别及偏瘫步态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116999057A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117731276A (zh) * | 2024-02-19 | 2024-03-22 | 天津大学 | 一种信息处理方法和可穿戴设备 |
-
2023
- 2023-09-18 CN CN202311198633.3A patent/CN116999057A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117731276A (zh) * | 2024-02-19 | 2024-03-22 | 天津大学 | 一种信息处理方法和可穿戴设备 |
CN117731276B (zh) * | 2024-02-19 | 2024-04-19 | 天津大学 | 一种信息处理方法和可穿戴设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sethi et al. | A comprehensive survey on gait analysis: History, parameters, approaches, pose estimation, and future work | |
CN108960155B (zh) | 基于Kinect的成人步态提取与异常分析方法 | |
CN110755085B (zh) | 基于关节活动度与运动协调性的运动功能评估方法及设备 | |
Merchán-Baeza et al. | Reliability in the parameterization of the functional reach test in elderly stroke patients: a pilot study | |
Hossain et al. | Deepbbwae-net: A cnn-rnn based deep superlearner for estimating lower extremity sagittal plane joint kinematics using shoe-mounted imu sensors in daily living | |
Kour et al. | A survey of knee osteoarthritis assessment based on gait | |
Zhao et al. | Analysis and evaluation of hemiplegic gait based on wearable sensor network | |
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 | |
Suriani et al. | Optimal accelerometer placement for fall detection of rehabilitation patients | |
Barua et al. | Deep learning techniques in estimating ankle joint power using wearable IMUs | |
Zhen et al. | Hybrid deep-learning framework based on Gaussian fusion of multiple spatiotemporal networks for walking gait phase recognition | |
Prajapati et al. | A review on clinical gait analysis | |
Bora et al. | Understanding human gait: A survey of traits for biometrics and biomedical applications | |
Pandey et al. | GaitRec-Net: a deep neural network for gait disorder detection using ground reaction force | |
Alcaraz et al. | Monitoring the rehabilitation progress using a DCNN and kinematic data for digital healthcare | |
Li et al. | Quantitative analysis of abnormal and normal gait based on inertial sensors | |
Perez et al. | A smartphone-based system for clinical gait assessment | |
Nandy et al. | Modern methods for affordable clinical gait analysis: theories and applications in healthcare systems | |
Pan et al. | Evaluation of hemiplegic gait based on plantar pressure and inertial sensors | |
CN110755084B (zh) | 基于主被动、分阶段动作的运动功能评估方法及设备 | |
Low et al. | Lower extremity kinematics walking speed classification using long short-term memory neural frameworks | |
US11497452B2 (en) | Predictive knee joint loading system | |
Mathur et al. | Gait classification of stroke survivors-An analytical study | |
Ribeiro et al. | Two kinematic data-based approaches for cane event detection | |
Sant'Anna et al. | Developing a motion language: Gait analysis from accelerometer sensor systems |
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 |