一种辅助筛查半月板损伤的步态分析方法与流程

本发明涉及医疗领域，尤其是一种辅助筛查半月板损伤的步态分析方法。
背景技术：
：半月板为纤维软骨板，内、外侧各一，呈半月形，位于胫骨平台和股骨内、外侧骸之间，半月板有内、外两缘，前、后两角。半月板损伤是一种以部分患者有打软腿或膝关节交锁现象，股四头肌萎缩，膝关节间隙固定的局限性压痛为主要表现的膝关节疾病。半月板损伤多由扭转外力引起，当一腿承重，小腿固定在半屈曲、外展位时，身体及股部猛然内旋，内侧半月板在股骨与胫骨之间受到旋转压力，而致半月板撕裂。半月板的上面凹陷，下面平坦，近似楔状，嵌于关节间隙内，是稳定膝关节的复杂结构中不可缺少的部分。半月板具有弹性，在关节运动时可减少震荡。当膝关节屈伸时，半月板凹面与股骨之间发生移动；当膝关节旋转时，半月板下面与胫骨平台之间发生移动，因此半月板的损伤多发生于其下面。当前的医学研究结果表明，当发生半月板损伤时，膝关节角度、位移、接触力和力矩等步态参数会产生显著的改变，从而导致患者步态异常。步态分析技术作为一门新兴的技术，将生物力学、运动学及解剖学相结合，可以较好的完成半月板损伤患者行走姿态的检测。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、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，在下肢膝关节疾病治疗中应用广泛。目前，磁共振成像(magneticresonanceimaging，MRI)是最好的影像学诊断方法，关节镜手术是诊断和治疗半月板损伤的“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作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。随着社会生活、劳动以及运动水平等方面的转变，半月板损伤在发病年龄、职业分布等方面也发生了较大改变，越来越多的膝关节半月板损伤患者逐渐接受膝关节镜手术的微创检查治疗，对于手术的期望也随之增加。因此对于临床诊断为半月板损伤的患者，如何进一步提高术前诊断和筛查的准确性、提高手术疗效日益成为临床医生关注的目标。技术实现要素：为了解决上述技术问题，本发明的目的是：提供一种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，以实现辅助筛查检测半月板损伤的步态分析方法。本发明所采用的技术方案是：一种辅助筛查半月板损伤的步态分析方法，包括有以下步骤：A、分别采集多组半月板损伤患者和健康正常人的膝关节步态特征数据，并提取步态特征变量，所采集的多组半月板损伤患者和健康正常人的膝关节步态特征数据形成训练集；B、根据步骤1提取的步态特征变量，对训练集里半月板损伤患者和健康正常人的未知的非线性步态系统动态进行建模，采用神经网络辨识器，对未知的非线性步态系统动态的局部进行逼近；C、利用RBF神经网络辨识器的学习训练结果建立常值神经网络，并将所学到的非线性步态系统动力学知识以常值神经网络权值的形式存储，构成训练步态模式库；D、采集半月板损伤患者的膝关节步态特征数据，并提取步态特征变量，所采集的半月板损伤患者的膝关节步态特征数据形成测试集；E、利用常值神经网络构建一组动态估计器，将训练步态模式库里半月板损伤患者和健康正常人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，把半月板损伤患者的步态特征数据与该组动态估计器做差，形成一组分类误差结果，根据最小误差计算出半月板损伤患者的异常步态。进一步，所述步骤A和步骤D中通过光学传感器采集膝关节步态特征数据。进一步，所述步骤A和步骤中膝关节步态特征数据包括有膝关节角度特征数据和膝关节位移特征数据，所述膝关节角度特征数据包括有膝关节股骨相对胫骨的内外旋角度、屈伸角度和内外翻角度，所述膝关节位移特征数据包括有膝关节股骨相对胫骨的前后位移特征数据。进一步，所述步骤B中的未知非线性步态系统动态建模表示为：其中，x＝[x1，…，xn]T∈Rn为步骤A提取到的步态特征变量，p为系统常参数值，n为步态特征变量的维数；F(x；p)＝[f1(x；p)，…，fn(x；p)]T为光滑且未知的非线性动态变量，代表半月板损伤患者和健康正常人的步态系统动态，v(x；p)＝[v1(x；p)，…，vn(x；p)]T为建模不确定项，将二者合并为定义为一般非线性步态系统动态。进一步，所述步骤B中采用动态RBF神经网络构造神经网络辨识器。进一步，所述动态RBF神经网络辨识器形式为：其中为神经网络辨识器的状态；A＝diag[a1，…，an]为对角矩阵，ai为设计的常数，满足0＜|ai|＜1，为动态RBF神经网络，用于逼近未知的一般非线性步态系统动态S(x)＝[S1(||X-ξ1||，…，SN(||X-ξn||]T为高斯型径向基函数，N＞1是神经网络结点数目，ξi是神经元中心点，RBF神经网络权值的调节律如下：其中，i表示n维步态特征变量中第i维变量，是状态误差，σi＞0是调节律的调节参数，动态RBF神经网络的权值的初始值进一步，所述一般非线性步态系统动态的局部准确建模可如下公式表示：其中，εi1为逼近误差；所述局部准确建模指通过RBF神经网络对沿步态特征数据的内在系统动态轨迹的逼近，而远离轨迹的内部动态则不被逼近。进一步，所述步骤C具体为：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RBF神经网络权值收敛到最优值，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，构成训练步态模式库。进一步，所述的RBF神经网络权值根据李雅普洛夫稳定性定理和确定学习理论来调节，使状态误差与权值估计都有界，并且指数收敛，其中，RBF神经网络的权值收敛有两种情况：第一种情况：沿步态特征回归轨迹的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的小邻域内；第二种情况：远离步态特征回归轨迹的RBF神经网络的神经元不受激励而不被调节，其权值近似为零。本发明的有益效果是：本发明方法采集半月板损伤患者和健康正常人的步态特征数据，并进行建模和训练，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，然后将半月板损伤患者的步态特征数据作测试集，从而较为准确和快速地辅助筛查，避免MRI以及关节镜下进行非侵入的诊断，极大提高术前诊断的准确性，节省检测成本和时间。附图说明图1为本发明步骤流程图；图2为本发明实施例中所用半月板损伤患者膝关节股骨相对胫骨的内外旋角度特征示意图；图3为本发明实施例中所用半月板损伤患者膝关节股骨相对胫骨的屈伸角度特征示意图；图4为本发明实施例中所用半月板损伤患者膝关节股骨相对胫骨的内外翻角度特征示意图；图5为本发明实施例中所用半月板损伤患者膝关节股骨相对胫骨的前后位移特征示意图；图6为本发明实施例中所用健康正常人膝关节股骨相对胫骨的内外旋角度特征示意图；图7为本发明实施例中所用健康正常人膝关节股骨相对胫骨的屈伸角度特征示意图；图8为本发明实施例中所用健康正常人膝关节股骨相对胫骨的内外翻角度特征示意图；图9为本发明实施例中所用健康正常人膝关节股骨相对胫骨的前后位移特征示意图；图10为本发明实施例中采用的RBF神经网络的拓扑结构示意简图；图11为本发明实施例中RBF神经网络权值的收敛情况。具体实施方式下面结合附图对本发明的具体实施方式作进一步说明：一种辅助筛查半月板损伤的步态分析方法，包括有以下步骤：A、分别采集多组半月板损伤患者和健康正常人的膝关节步态特征数据，并提取步态特征变量，所采集的多组半月板损伤患者和健康正常人的膝关节步态特征数据形成训练集；B、根据步骤1提取的步态特征变量，对训练集里半月板损伤患者和健康正常人的未知的非线性步态系统动态进行建模，采用神经网络辨识器，对未知的非线性步态系统动态的局部进行逼近；C、利用RBF神经网络辨识器的学习训练结果建立常值神经网络，并将所学到的非线性步态系统动力学知识以常值神经网络权值的形式存储，构成训练步态模式库；D、采集半月板损伤患者的膝关节步态特征数据，并提取步态特征变量，所采集的半月板损伤患者的膝关节步态特征数据形成测试集；E、利用常值神经网络构建一组动态估计器，将训练步态模式库里半月板损伤患者和健康正常人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，把半月板损伤患者的步态特征数据与该组动态估计器做差，形成一组分类误差结果，根据最小误差计算出半月板损伤患者的异常步态。进一步作为优选的实施方式，所述步骤A和步骤D中通过光学传感器采集膝关节步态特征数据。进一步作为优选的实施方式，所述步骤A和步骤中膝关节步态特征数据包括有膝关节角度特征数据和膝关节位移特征数据，所述膝关节角度特征数据包括有膝关节股骨相对胫骨的内外旋角度、屈伸角度和内外翻角度，所述膝关节位移特征数据包括有膝关节股骨相对胫骨的前后位移特征数据。在本发明实施方式中，可采用红外光导航膝关节在体检测系统Opti_Knee获取步态特征数据，参照图2，其中关节角度的单位是弧度，位移的单位是毫米，构成一组膝关节角度和位移特征变量：x＝[内外旋角度，屈伸角度，内外翻角度，前后位移]T，以降低特征维数和计算量。本发明具体实施例的试验过程一共有22名半月板损伤患者，包含11名男性和11名女性，年龄分布在11岁至76岁之间，随机选取其中11人作为训练集数据采集对象，剩下的11人作为待检测的测试集数据采集对象；以及28名步态正常的健康人，包含14名男性和14名女性，年龄分布在20岁至30岁之间，随机选取其中14人作为训练集数据采集对象。如图2-图9所示，分别是半月板损伤患者与健康正常人之间在膝关节股骨相对胫骨的内外旋角度、屈伸角度、内外翻角度以及膝关节股骨相对胫骨的前后位移特征上的差异示意图。进一步作为优选的实施方式，所述步骤B中的未知非线性步态系统动态建模表示为：其中，x＝[x1，…，xn]T∈Rn为步骤A提取到的步态特征变量，p为系统常参数值，n为步态特征变量的维数；F(x；p)＝[f1(x；p)，…，fn(x；p)]T为光滑且未知的非线性动态变量，代表半月板损伤患者和健康正常人的步态系统动态，v(x；p)＝[v1(x；p)，…，vn(x；p)]T为建模不确定项，由于建模不确定项v(x；p)和步态系统动态F(x；p)无法互相解耦，因此将二者合并为定义为一般非线性步态系统动态。进一步作为优选的实施方式，所述步骤B中采用动态RBF神经网络构造神经网络辨识器，用于辨识一般非线性步态系统动态：对非线性步态系统动态进行学习的神经网络拓扑结构简图如图4所示。进一步作为优选的实施方式，所述动态RBF神经网络辨识器形式为：其中为神经网络辨识器的状态；A＝diag[a1，…，an]为对角矩阵，ai为设计的常数，满足0＜|ai|＜1，为动态RBF神经网络，用于逼近未知的一般非线性步态系统动态S(x)＝[S1(||X-ξ1||，…，SN(||X-ξn||]T为高斯型径向基函数，N＞1是神经网络结点数目，ζi是神经元中心点，神经元均匀分布在区域[-1，1]×[-1，1]×[-1，1]×[-1，1]之内，且宽度取0.15；将所有步态特征数据归一化到[-1，1]区间；RBF神经网络权值的调节律如下：其中，i表示n维步态特征变量中第i维变量，为状态误差，σi＞0是调节律的调节参数，本实施例中取Γi＝35，σi＝0.4，动态RBF神经网络的权值的初始值常值神经网络是时不变的并且空间分布的，即有效的信息只存贮在靠近步态特征数据的内在系统动态轨迹的神经元上，而远离轨迹的神经元没有存贮信息，常值神经网络只逼近沿步态特征数据空间轨迹的内部动态，远离轨迹的内部动态没有被逼近；因此，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；所述常值神经网络权值由如下式子表征：其中，[ta，tb]代表常值神经网络权值在完成向其最优值收敛的过渡过程之后的一个时间段，这样使得可由常值神经网络进行局部准确逼近。进一步作为优选的实施方式，所述一般非线性步态系统动态的局部准确建模可如下公式表示：其中，εi1为逼近误差；所述局部准确建模指通过RBF神经网络对沿步态特征数据的内在系统动态轨迹的逼近，而远离轨迹的内部动态则不被逼近。进一步作为优选的实施方式，所述步骤C具体为：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RBF神经网络权值收敛到最优值，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，构成训练步态模式库。进一步作为优选的实施方式，所述的RBF神经网络权值根据李雅普洛夫稳定性定理和确定学习理论来调节，使状态误差与权值估计都有界，并且指数收敛，其中，RBF神经网络的权值收敛有两种情况：第一种情况：沿步态特征回归轨迹的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的小邻域内；第二种情况：远离步态特征回归轨迹的RBF神经网络的神经元不受激励而不被调节，其权值近似为零。例如在一段时间内权值收敛至常值(最优值)，其学习阶段神经网络权值的收敛情况如图5所示，靠近系统轨迹的神经元的权值满足部分持续激励条件，从而收敛到其最优值；而远离系统轨迹的神经元受激励的程度很小而几乎不被调节，基本上保持在零的小邻域内。对于本发明实施例中作为待检测的测试集数据采集对象的11人，采集半月板损伤患者的膝关节步态特征数据，并提取步态特征变量，所采集的半月板损伤患者的膝关节步态特征数据形成测试集；然后利用常值神经网络构建一组动态估计器，将训练步态模式库里半月板损伤患者和健康正常人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，把半月板损伤患者的步态特征数据与该组动态估计器做差，形成一组分类误差结果，根据最小误差计算出半月板损伤患者的异常步态。上述操作方法的具体实施方式如下：首先，根据训练步态模式库中半月板损伤患者和健康正常人的一般非线性步态系统动态的RBF神经网络辨识结果，即常值神经网络权值构造一组动态估计器，将步骤B和步骤C中学习到的半月板损伤患者和健康正常人的步态系统动力学知识嵌入到动态估计器中，表述如下：其中，为动态估计器的状态，bi为动态估计器参数，本实施例中取bi＝-55，xti为测试集中待检测半月板损伤患者的步态特征数据，k表示M个训练模式中的第k个训练模式，M为训练步态模式库中的模式总量，半月板损伤患者和健康正常人每一次行走过程中提取出来的步态特征数据序列就构成一个模式，试验过程中试验对象行走了多少次，对应的提取出来的步态特征数据序列就构成了多少个模式；其次，将测试集中半月板损伤患者的步态特征数据xti与这组动态估计器做差，得到如下的分类检测误差系统：其中，是状态估计误差，计算的平均L1范数如下：其中，Tc表示步态周期；最后，如果测试集中半月板损伤患者的步态模式相似于训练步态模式s(s∈{1，…，k})，则嵌入动态估计器s中的常值RBF神经网络能够快速回忆起学过的知识并提供对步态动力学的准确逼近；因此，相对应的误差在所有误差中变得最小，基于最小误差原则，该半月板损伤患者的异常步态能被快速分类检测出来，分类检测方法如下：如果存在一个有限时间ts，s∈{1，…，k}和某一i∈{1，…，n}，使得对所有t＞ts成立，则出现的半月板损伤患者的异常步态模式可以被分类检测出来，从而实现对半月板损伤的辅助检测。利用灵敏度(Sensitivity)、特异度(Specificity)和准确度(Accuracy)等性能指标对分类检测结果进行评估，这些指标的计算如下：其中，TP表示真实的正样本，TN表示真实的负样本，FP表示虚假的正样本，FN表示虚假的负样本。本发明实施例中取TP＝9，TN＝13，FN＝2，FP＝1。下表为半月板损伤患者与健康人群的分类检测结果表：性能指标结果(％)Sensitivity81.82Specificity92.86Accuracy88以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可以作出种种的等同变换或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。当前第1页1 2 3