一種輔助篩查前交叉韌帶損傷的步態分析方法
【技術領域】
[0001] 本發明涉及一種輔助篩查前交叉韌帶損傷的步態分析方法。
【背景技術】
[0002] 膝關節運動在關節生物力學運動中最為復雜。行走是膝關節最為頻繁的活動 方式，也是在對膝關節生物力學分析中較易測量、能準確分析的運動方式。前交叉韌帶 (anterior cruciate ligament, ACL)位于膝關節內，連接股骨與腔骨，是膝關節重要的靜 力性穩定結構，主要作用是限制脛骨向前過度移位。它表面存在機械感受器，與膝關節內其 他結構共同作用，通過神經肌肉反射對動力性穩定結構即關節周圍的肌群進行調節，來維 持膝關節的穩定性，使人體能完成各種復雜和高難度的下肢動作。解剖和生物力學特點決 定了前交叉韌帶損傷在人群分布、損傷機制及合并損傷等方面，顯現出與其他膝關節損傷 不同的疾病特征。文獻報道，美國普通人群的前交叉韌帶斷裂發病率約為1/3000,而足球運 動員每年前交叉韌帶斷裂的發生率為60/10萬。對我國現役運動員的普查發現，前交叉韌 帶斷裂的發病率是0.43%。
[0003] 當有身體沖撞或者進行高速度的運動時，容易發生前交叉韌帶損傷。常見的受傷 機制包括膝關節屈膝外翻傷、外旋傷、過伸傷等。前交叉韌帶損傷后，反射弧的改變會引起 膝周肌群肌力代償性改變，進而產生步態的改變。這種步態的改變可以通過專業的傳感器 測量，能在定量的水平上客觀反映受試者膝關節行走時的功能狀態，進而能夠輔助篩查前 交叉韌帶損傷。一個人的步態，可以從一個側面反映出人的病變特征，特別是對下肢的骨、 關節、肌肉和韌帶的正常度做出客觀的評價。通過對步態進行分析，探討步態動作中包括關 節角度、位移、力矩及功率等運動學與動力學相關變量，可以方便簡單、非侵入地幫助醫生 科學地進行病因分析和輔助篩查、病情診斷、療效評定、指導患者行走訓練，在下肢骨科疾 病中應用廣泛。
[0004] 目前，如何進一步提高前交叉韌帶損傷診斷的準確性和提高手術的療效日益成為 臨床醫生關注的目標，而磁共振成像（magnetic resonance imaging, MRI)是最好的影像學 診斷方法，關節鏡手術是診斷和治療前交叉韌帶損傷的"金標準"。但是二者都存在一定的 缺陷，例如，二者的費用都較為昂貴；關節鏡手術屬于有創檢測；帶有心臟起搏器的患者或 有某些金屬異物的部位不能做MRI的檢查；多數MRI設備檢查空間較為封閉，且掃描時間相 對較長，部分患者因恐懼不能配合完成檢查。前交叉韌帶損傷患者能夠通過步態分析顯示 出其與健康正常人之間的差異，因此通過對人體步態的運動學和動力學分析，選取合適的 步態特征，獲取步態動力學知識，能夠對前交叉韌帶損傷患者進行較為準確和快速的輔助 篩查。這樣就可以在盡量不用MRI以及關節鏡的情況下進行非侵入的診斷，節省費用和時 間，也不會對患者造成傷害，屬于無創檢測。
[0005] 正常步態的特征，如關節角度、位移、關節力矩、功率等在步與步之間通常呈現出 復雜的波動特性。無論是前交叉韌帶損傷患者還是健康人群，他們步態的動力學特性都具 有復雜的非線性性質，這主要是因為人類動力學系統的非線性特征造成的。前交叉韌帶損 傷患者步態的動力學特性與健康正常人之間存在重要的差異。而如何對非線性步態系統動 態進行建模，并基于這兩類人群之間在步態系統動力學上的差異進行區分，以輔助篩查檢 測前交叉韌帶損傷，則缺少相應的研究，也是其中的難點問題之一。
[0006] 檢測前交叉韌帶損傷患者的異常步態并輔助篩查前交叉韌帶損傷，本質上可以看 作是一個動態模式的辨識與識別問題，而動態模式識別本身就是模式識別領域的難題之 一。在對徑向基函數（RBF)神經網絡的持續激勵特性研究的基礎上，王聰等提出了確定學 習理論，其中包括對非線性動力學系統產生的動態模式的辨識、表達和快速識別方法，即通 過確定學習獲得動態模式內在系統動態的局部準確神經網絡建模，把隨時間變化的動態模 式以時不變且空間分布的方式有效地表達，進一步利用動態模式內在的動力學拓撲相似給 出動態模式之間的相似性定義，并提出了對動態模式進行快速識別的一套新方法。
【發明內容】
[0007] 本發明的目的在于克服現有技術的缺點與不足，提供一種輔助篩查前交叉韌帶損 傷的步態分析方法，為判別前交叉韌帶損傷患者的異常步態提供一種更為簡潔準確的篩查 檢測方法。
[0008] 本發明一種輔助篩查前交叉韌帶損傷的步態分析方法，包括以下步驟：
[0009] 步驟1、通過光學傳感器分別采集每個前交叉韌帶損傷患者和健康正常人的膝關 節股骨相對脛骨的內外旋角度以及膝關節股骨相對脛骨的內外位移、前后位移和上下位移 的步態特征數據，構成一組步態特征變量，將所采集的若干前交叉韌帶損傷患者和健康正 常人的膝關節股骨相對脛骨的內外旋角度以及膝關節股骨相對脛骨的內外位移、前后位移 和上下位移的步態特征數據形成訓練集；
[0010] 步驟2、根據步驟1提取的步態特征變量，對訓練集里健康正常人和前交叉韌帶損 傷患者的未知非線性步態系統動態進行建模，設計RBF神經網絡辨識器，對步態系統未知 動態的局部進行逼近；
[0011] 步驟3、常值神經網絡的建立：
[0012] 根據確定學習理論，沿步態系統特征軌跡的RBF神經網絡的神經元滿足持續激勵 條件，其權值收斂到最優值，取權值收斂后一段時間內權值的均值作為學習訓練結果，并利 用這些結果建立常值神經網絡，所學到的步態系統動力學知識以常值神經網絡權值的形式 存儲，構成一個訓練步態模式庫；
[0013] 步驟4、通過光學傳感器分別采集每個待檢測前交叉韌帶損傷患者的膝關節角度 和位移的步態特征數據，構成一組步態特征變量，采集的若干待檢測前交叉韌帶損傷患者 的膝關節角度和位移的步態特征數據形成測試集；
[0014] 步驟5、分類檢測：
[0015] 利用常值神經網絡構建一組動態估計器，把步驟2和步驟3學習到的訓練步態模 式庫里健康正常人和前交叉韌帶損傷患者所對應的非線性步態系統動力學知識嵌入到動 態估計器中，把待檢測前交叉韌帶損傷患者的步態特征數據與這組動態估計器做差，形成 一組分類誤差，根據最小誤差原則將待檢測前交叉韌帶損傷患者的異常步態檢測出來，實 現對前交叉韌帶損傷的輔助篩查。
[0016] 進一步的，步驟2中，未知非線性步態系統動態建模如下：
[0017] i -- l:\x: p) + v(.v; p)
[0018] 其中，x = [Xi, ···，xn]Te Rn是步驟1提取到由膝關節角度和位移的步態特征數 據構成得步態特征變量，P是系統常參數值，η為步態特征變量的維數；F(x ;p) = [AU ; p)，…，fn (χ ;ρ) ]τ是光滑且未知的非線性動態變量，代表了健康正常人和前交叉韌帶損傷 患者的步態系統動態，ν(Χ;Ρ) = 1^1(1$)，"％￥11(1$)]1'是建模不確定項，將二者合并為 ，并定義為一般非線性步態系統動態；
[0019] 步驟2中，設計RBF神經網絡辨識器用于辨識 ，具體 為：
[0020] 采用動態RBF神經網絡構造神經網絡辨識器I二-Κ-χ) f; S⑴，其中 乂- = [.?,··，Λ,]是神經網絡辨識器的狀態，A = diag[ai，…，an]是對角矩陣，&1是設計的常數， 滿足0< |a」< 1
是動態RBF神經網絡，用來逼近未知的 一般非線性步態系統動態#.y;P);
是高斯