一种辅助筛查前交叉韧带损伤的步态分析方法
【技术领域】
[0001] 本发明涉及一种辅助筛查前交叉韧带损伤的步态分析方法。
【背景技术】
[0002] 膝关节运动在关节生物力学运动中最为复杂。行走是膝关节最为频繁的活动 方式，也是在对膝关节生物力学分析中较易测量、能准确分析的运动方式。前交叉韧带 (anterior cruciate ligament, ACL)位于膝关节内，连接股骨与腔骨，是膝关节重要的静 力性稳定结构，主要作用是限制胫骨向前过度移位。它表面存在机械感受器，与膝关节内其 他结构共同作用，通过神经肌肉反射对动力性稳定结构即关节周围的肌群进行调节，来维 持膝关节的稳定性，使人体能完成各种复杂和高难度的下肢动作。解剖和生物力学特点决 定了前交叉韧带损伤在人群分布、损伤机制及合并损伤等方面，显现出与其他膝关节损伤 不同的疾病特征。文献报道，美国普通人群的前交叉韧带断裂发病率约为1/3000,而足球运 动员每年前交叉韧带断裂的发生率为60/10万。对我国现役运动员的普查发现，前交叉韧 带断裂的发病率是0.43%。
[0003] 当有身体冲撞或者进行高速度的运动时，容易发生前交叉韧带损伤。常见的受伤 机制包括膝关节屈膝外翻伤、外旋伤、过伸伤等。前交叉韧带损伤后，反射弧的改变会引起 膝周肌群肌力代偿性改变，进而产生步态的改变。这种步态的改变可以通过专业的传感器 测量，能在定量的水平上客观反映受试者膝关节行走时的功能状态，进而能够辅助筛查前 交叉韧带损伤。一个人的步态，可以从一个侧面反映出人的病变特征，特别是对下肢的骨、 关节、肌肉和韧带的正常度做出客观的评价。通过对步态进行分析，探讨步态动作中包括关 节角度、位移、力矩及功率等运动学与动力学相关变量，可以方便简单、非侵入地帮助医生 科学地进行病因分析和辅助筛查、病情诊断、疗效评定、指导患者行走训练，在下肢骨科疾 病中应用广泛。
[0004] 目前，如何进一步提高前交叉韧带损伤诊断的准确性和提高手术的疗效日益成为 临床医生关注的目标，而磁共振成像（magnetic resonance imaging, MRI)是最好的影像学 诊断方法，关节镜手术是诊断和治疗前交叉韧带损伤的"金标准"。但是二者都存在一定的 缺陷，例如，二者的费用都较为昂贵；关节镜手术属于有创检测；带有心脏起搏器的患者或 有某些金属异物的部位不能做MRI的检查；多数MRI设备检查空间较为封闭，且扫描时间相 对较长，部分患者因恐惧不能配合完成检查。前交叉韧带损伤患者能够通过步态分析显示 出其与健康正常人之间的差异，因此通过对人体步态的运动学和动力学分析，选取合适的 步态特征，获取步态动力学知识，能够对前交叉韧带损伤患者进行较为准确和快速的辅助 筛查。这样就可以在尽量不用MRI以及关节镜的情况下进行非侵入的诊断，节省费用和时 间，也不会对患者造成伤害，属于无创检测。
[0005] 正常步态的特征，如关节角度、位移、关节力矩、功率等在步与步之间通常呈现出 复杂的波动特性。无论是前交叉韧带损伤患者还是健康人群，他们步态的动力学特性都具 有复杂的非线性性质，这主要是因为人类动力学系统的非线性特征造成的。前交叉韧带损 伤患者步态的动力学特性与健康正常人之间存在重要的差异。而如何对非线性步态系统动 态进行建模，并基于这两类人群之间在步态系统动力学上的差异进行区分，以辅助筛查检 测前交叉韧带损伤，则缺少相应的研究，也是其中的难点问题之一。
[0006] 检测前交叉韧带损伤患者的异常步态并辅助筛查前交叉韧带损伤，本质上可以看 作是一个动态模式的辨识与识别问题，而动态模式识别本身就是模式识别领域的难题之 一。在对径向基函数（RBF)神经网络的持续激励特性研究的基础上，王聪等提出了确定学 习理论，其中包括对非线性动力学系统产生的动态模式的辨识、表达和快速识别方法，即通 过确定学习获得动态模式内在系统动态的局部准确神经网络建模，把随时间变化的动态模 式以时不变且空间分布的方式有效地表达，进一步利用动态模式内在的动力学拓扑相似给 出动态模式之间的相似性定义，并提出了对动态模式进行快速识别的一套新方法。
【发明内容】
[0007] 本发明的目的在于克服现有技术的缺点与不足，提供一种辅助筛查前交叉韧带损 伤的步态分析方法，为判别前交叉韧带损伤患者的异常步态提供一种更为简洁准确的筛查 检测方法。
[0008] 本发明一种辅助筛查前交叉韧带损伤的步态分析方法，包括以下步骤：
[0009] 步骤1、通过光学传感器分别采集每个前交叉韧带损伤患者和健康正常人的膝关 节股骨相对胫骨的内外旋角度以及膝关节股骨相对胫骨的内外位移、前后位移和上下位移 的步态特征数据，构成一组步态特征变量，将所采集的若干前交叉韧带损伤患者和健康正 常人的膝关节股骨相对胫骨的内外旋角度以及膝关节股骨相对胫骨的内外位移、前后位移 和上下位移的步态特征数据形成训练集；
[0010] 步骤2、根据步骤1提取的步态特征变量，对训练集里健康正常人和前交叉韧带损 伤患者的未知非线性步态系统动态进行建模，设计RBF神经网络辨识器，对步态系统未知 动态的局部进行逼近；
[0011] 步骤3、常值神经网络的建立：
[0012] 根据确定学习理论，沿步态系统特征轨迹的RBF神经网络的神经元满足持续激励 条件，其权值收敛到最优值，取权值收敛后一段时间内权值的均值作为学习训练结果，并利 用这些结果建立常值神经网络，所学到的步态系统动力学知识以常值神经网络权值的形式 存储，构成一个训练步态模式库；
[0013] 步骤4、通过光学传感器分别采集每个待检测前交叉韧带损伤患者的膝关节角度 和位移的步态特征数据，构成一组步态特征变量，采集的若干待检测前交叉韧带损伤患者 的膝关节角度和位移的步态特征数据形成测试集；
[0014] 步骤5、分类检测：
[0015] 利用常值神经网络构建一组动态估计器，把步骤2和步骤3学习到的训练步态模 式库里健康正常人和前交叉韧带损伤患者所对应的非线性步态系统动力学知识嵌入到动 态估计器中，把待检测前交叉韧带损伤患者的步态特征数据与这组动态估计器做差，形成 一组分类误差，根据最小误差原则将待检测前交叉韧带损伤患者的异常步态检测出来，实 现对前交叉韧带损伤的辅助筛查。
[0016] 进一步的，步骤2中，未知非线性步态系统动态建模如下：
[0017] i -- l:\x: p) + v(.v; p)
[0018] 其中，x = [Xi, ···，xn]Te Rn是步骤1提取到由膝关节角度和位移的步态特征数 据构成得步态特征变量，P是系统常参数值，η为步态特征变量的维数；F(x ;p) = [AU ; p)，…，fn (χ ;ρ) ]τ是光滑且未知的非线性动态变量，代表了健康正常人和前交叉韧带损伤 患者的步态系统动态，ν(Χ;Ρ) = 1^1(1$)，"％￥11(1$)]1'是建模不确定项，将二者合并为 ，并定义为一般非线性步态系统动态；
[0019] 步骤2中，设计RBF神经网络辨识器用于辨识 ，具体 为：
[0020] 采用动态RBF神经网络构造神经网络辨识器I二-Κ-χ) f; S⑴，其中 乂- = [.?,··，Λ,]是神经网络辨识器的状态，A = diag[ai，…，an]是对角矩阵，&1是设计的常数， 满足0< |a」< 1
是动态RBF神经网络，用来逼近未知的 一般非线性步态系统动态#.y;P);
是高斯