一种基于改进加权自相关的脑卒中步态周期自动检测方法

1.本发明涉及步态检测分析技术领域，特别涉及一种基于改进加权自相关的脑卒中步态周期自动检测方法。


背景技术：

2.脑卒中是指由于各种原因引起脑部血管发生堵塞或突然破裂，脑部血液无法正常流入大脑，从而导致脑组织产生损伤的急性脑血管疾病。脑卒中具有高发病率、高死亡率、高致残率、高复发率的特点，是我国成年人群致死、致残的首位病因。80％以上的脑卒中患者具有肢体运动功能障碍。
3.步行是人通过两腿交替支撑摆动达到移动目的的基本活动。正常步态的实现需要神经、肌肉的高度协调，所以神经系统调节程度减弱和脊椎的反射活动失调都会影响正常步态。脑卒中患者常会出现下肢运动功能障碍，通过步态信号的分析可辅助卒中患者的康复治疗方案制定、辅具适配和疗效评估。
4.步态周期是从一侧脚跟落地开始，到同侧脚跟再次落地的时间过程。目前步态周期信号主要采用摄像头、压力板、肌电和惯性传感器系统进行检测。其中，压力板检测精度高，但受到测量范围限制，通常只能对受试者左右两侧各测量一步，无法反映步态周期的变异性；而且对于卒中患者拖曳或划圈等异常步态的落地点，压力板无法正常判断，从而影响步态识别。表面肌电检测方法对电极所处肌肉的位置敏感，且在行走过程中所采集的肌电信号的信噪比较差，影响步态周期检测效果。惯性传感器设备具有便携性、成本低等优点，但误测率高，可靠性差。基于摄像头的运动捕捉系统能够采集受试者的运动轨迹信号，可以对患者的异常步态能进行精确地检测分析，为步态周期信号从检测提供了一个新的可能，但目前相关研究很少。目前主要基于峰值、阈值规则和机器学习，基于峰值、阈值规则的方法一般针对具体数据集设定阈值，算法易受噪声影响，机器学习算法复杂，计算效率低。


技术实现要素：

5.为了克服现有技术存在的问题，本发明的目的在于提供一种基于改进加权自相关的脑卒中步态周期自动检测方法，首先对运动捕捉系统采集的脚部运动轨迹信号提取有效区间；其次，通过所提出的改进加权自相关法与滑动窗的结合，搜索运动全过程的所有着地时刻，完成步态周期信号的自动检测；可有效抑制噪声和干扰的影响，不仅提高步态周期信号检测的准确率，并保留了运动过程中步态的变异性，具有操作简单、准确率高、鲁棒性强的优势，并且具抗干扰能力强、易于推广的特点。
6.为了实现上述目的，本发明通过以下技术方案实现：
7.一种基于改进加权自相关的脑卒中步态周期自动检测方法，包括以下步骤：
8.步骤一：利用动作捕捉系统采集被试平地行走的脚踝、脚跟标记点的运动轨迹数据，其中z轴方向的轨迹信号分别为za(t)、zh(t)；
9.步骤二：对轨迹信号za(t)、zh(t)最低点做线性拟合，去除信号基线漂移，得到信号
xa(t)、xh(t)；
10.步骤三：计算信号xa(t)、xh(t)中段均值，并通过自相关提取滑动窗长，再根据滑动窗均值和中段均值的关系，确定信号有效区间ya(t)、yh(t)；
11.步骤四：对脚跟标记的有效区间信号yh)t)求得局部小值，确定初始着地时刻点t0；
12.步骤五：对脚踝标记的有效区间信号ya(t)去均值处理得到信号ha(t)；接着求信号ha(t)的自相关，确定初始滑动窗长l0，以t0为中心截取信号h
a_w0
(t)，并采用所提出的改进加权自相关方法，计算初始步态周期t0；
13.步骤六：根据初始着地点t0和步态周期t0，确定后续着地时刻tn和滑动窗长ln，提取滑动窗信号h
a_wn
(t)并计算周期tn；搜索所有着地时刻点，完成步态周期自动检测。
14.所述步骤二中，去除信号基线漂移的具体步骤为：
15.xa(t)＝za(t)-trenda(t)
16.其中，trenda(t)是za(t)局部最低值序列的线性拟合信号。
17.所述步骤三中，提取有效区间的步骤为：
18.3.1、计算信号xa(t)、xh(t)中段均值计算公式为：
[0019][0020]
其中，x(i)是信号xa(t)、xh(t)第i个信号值，no是信号长度；
[0021]
3.2、计算自相关r
x
(m)，其第一个峰值的时刻点即为滑动窗长l：
[0022][0023]
3.3、根据滑动窗均值和中段均值的关系，确定信号有效区间：
[0024]
滑动窗均值的计算公式如下：
[0025][0026]
如果满足其中，coef是相似系数，则x(n)＝[x(n)，x(n+1)...，x(n+l-1)]为有效区间，提取的有效区间信号为ya(t)、yh(t)。
[0027]
所述步骤四中，确定初始着地时刻点t0的计算方式如下：
[0028]
如果：index_max(0)＞index_t(0)且index_max(0)＜index_t(1)
[0029]
则t0＝index_t(1)；否则：t0＝index_t(0)；
[0030]
其中，index_max(i)是信号的第i+1个峰值时刻点，index_t(i)是信号的第i+1个谷值时刻点。
[0031]
所述的步骤五中，提出的改进加权自相关的定义如下：
[0032]
[0033]
其中，cwaf(m)是改进加权自相关，r(m)是自相关，s(m)是平均幅度差分，c(m)是倒谱，信号周期t0为cwaf(m)的第一个峰值的时刻点；
[0034]
r(m)的计算公式如下：
[0035][0036]
其中，l0为ha(t)的自相关第一个峰值时刻点的2.5倍；
[0037][0038]
s(m)的计算公式如下：
[0039][0040]
c(m)的计算公式为如下：
[0041]
c(m)＝idft(abs(dft(h
a_w0
)))
[0042]
其中，dft是对信号的傅里叶变换，idft是对信号的反傅里叶变换。
[0043]
所述步骤六中，确定后续着地时刻tn、滑动窗长ln、滑动窗信号h
a_wn
(t)和周期tn的具体步骤如下：
[0044]fn
＝t
n-1
+t
n-1
[0045]
ln＝2.5*t
n-1
[0046][0047]
tn为h
a_wn
(t)信号的改进加权自相关的第一个峰值的时刻点。
[0048]
步骤三中，所述中段为信号的20％-80％区间。
[0049]
本发明的有益效果：
[0050]
(1)、本发明基于脚踝的运动轨迹信号完成步态周期的自动检测，通过计算滑动窗均值提取信号有效区间，可有效去除转身、踏步等不规范动作的影响。
[0051]
(2)、本发明首次提出了改进加权自相关和滑动窗相结合的步态周期自动检测方法具有操作简单、准确性高、可保留步态变异性、鲁棒性强的优势，并且具有抗干扰能力强、易于推广的特点。
附图说明
[0052]
图1是本发明的改进加权自相关的步态周期自动提取方法的流程图。
[0053]
图2是去漂移前后的轨迹信号波形对比图。
[0054]
图3是轨迹信号有效区间提取的效果图。
[0055]
图4是根据脚跟标记有效区间提取的初始着地点的效果图。
[0056]
图5是改进加权自相关和步态周期检测搜索的效果图。
[0057]
图6是改进加权自相关法和自相关法在健康和中风组的步态周期误差的统计图。
具体实施方式
[0058]
下面结合附图和实施例对本发明进行进一步详细说明。
[0059]
参见图1，本实施例给出一种基于改进加权自相关的脑卒中步态周期自动检测方法，具体实现步骤如下：
[0060]
步骤一：利用动作捕捉系统采集被试平地行走的脚踝、脚跟标记点的运动轨迹数据，其中，z轴方向的轨迹信号分别为za(t)、zh(t)。
[0061]
步骤二：对轨迹信号za(t)、zh(t)最低点做线性拟合，去除信号基线漂移，得到信号xa(t)、xh(t)。图2即为去漂移前后的轨迹信号波形对比图。以xa(t)为例，计算方式如下：
[0062]
xa(t)＝za(t)-trenda(t)
[0063]
其中，trenda(t)是za(t)局部最低值序列的线性拟合信号。
[0064]
步骤三：计算信号xa(t)、xh(t)中段均值中段为信号的20％-80％区间。
[0065][0066]
其中x(i)是信号xa(t)、xh(t)第i个信号值，no是信号长度。
[0067]
计算自相关r
x
(m)，其第一个峰值的时刻点即为滑动窗长l。
[0068][0069]
再计算滑动窗信号均值计算公式如下：
[0070][0071]
如果满足(其中，coef是相似系数，在本实例中设置coef为0.85)，则x(n)＝[x(n)，x(n+1)...，x(n+l-1)]为有效区间。提取的有效区间信号为ya(t)、yh(t)。
[0072]
步行前后可能有转身、踏步等不规范动作，因此需要确定步行起始和结束时刻点提取有效区间。由于正常步行信号拟周期波动，可通过周期内相似度确定起始时刻点。图3即为轨迹信号有效区间提取的效果图。
[0073]
步骤四：对脚跟标记的有效区间信号yh(t)求得局部小值，确定初始着地时刻点t0，计算方式如下：
[0074]
if：index_max(0)＞index_t(0)&&index_max(0)＜index_t(1)
[0075]
t0＝index_t(1)
[0076]
else：
[0077]
t0＝index_t(0)
[0078]
其中，index_max(i)是信号的第i+1个峰值时刻点，index_t(i)是信号的第i+1个谷值时刻点，＆＆表示逻辑与关系。图4即为据脚跟标记有效区间提取的初始着地点的效果
图，从图中可以看出，t0与压力板以20n为阈值检测的着地时刻基本重合。
[0079]
步骤五：对脚踝标记的有效区间信号ya(t)去均值处理得到信号ha(t)。脑卒中患者常出现患侧足下垂、内翻和膝反张的情况，导致拖曳或划圈步态影响识别，而基于脚踝标记点的周期检测方法相较于脚跟对异常步态较不敏感，稳定性更好。
[0080]
接着求信号ha(t)的自相关确定初始滑动窗长l0，以t0为中心截取信号h
a_w0
(t)，并采用所提出的改进加权自相关方法，计算初始步态周期t0。
[0081]
提出的改进加权自相关定义为：
[0082][0083]
其中，cwaf(m)是改进加权自相关，r(m)是自相关，s(m)是平均幅度差分，c(m)是倒谱。信号周期t0为cwaf(m)的第一个峰值对应的时刻点。
[0084]
r(m)的计算公式如下：
[0085][0086]
其中，l0为ha(t)的自相关第一个峰值时刻点的2.5倍，
[0087][0088]
s(m)的计算公式如下：
[0089][0090]
c(m)的计算公式为如下：
[0091]
c(m)＝idft(abs(dft(h
a_w0
)))
[0092]
其中，dft是对信号的傅里叶变换，idft是对信号的反傅里叶变换。
[0093]
图5即为改进加权自相关和步态周期检测搜索的效果图。自相关和平均幅度差分是从时域检测周期的方法，倒谱法通过频域检测周期，所以噪声分量在自相关、平均幅度差分和倒谱中的模式不同，因此提出的改进加权自相关法优势在于可以抑制不必要峰值，提高步态周期准确率。
[0094]
步骤六：根据初始着地点t0和步态周期t0确定后续着地时刻tn和滑动窗长ln，提取滑动窗信号h
a_wn
(t)并计算周期tn。
[0095]fn
＝t
n-1
+t
n-1
[0096]
ln＝2.5*t
n-1
[0097][0098]
tn为h
a_wn
(t)的改进加权自相关的第一个峰值的时刻点。自相关周期提取需要至少包含两个周期的信号，故滑动窗的窗长是计算步态周期的2.5倍。
[0099]
通过搜索所有着地时刻点，完成步态周期检测。滑动窗的优势在于保留步态变异性，正常人平地步行时会存在步态周期差异，而卒中患者因平衡和控制较差，变异性会更明显。
[0100]
为了验证本实施例给出的步态周期提取方法的准确性，发明人采集了4名健康人和5名脑卒中患者的平地行走数据，对采用自相关法和本发明提出的改进加权自相关方法计算跨步长时间的相对误差进行对比。结果表明，与自相关法相比，本发明所提方法脑卒中患者的相对误差显著降低，健康组的误差均值也有下降(如图6)。因此，本方法在脑卒中步态周期自动检测和步态分析领域有很好的应用潜力和广大的应用前景。