傷患者膝關節 股骨相對脛骨的前后位移特征如圖2(a3)所示，前交叉韌帶損傷患者膝關節股骨相對脛骨 的上下位移特征如圖2(a4)所示；健康正常人膝關節股骨相對脛骨的內外旋角度特征如圖 2(bl)所示，健康正常人膝關節股骨相對脛骨的內外位移特征如圖2(b2)所示，健康正常人 膝關節股骨相對脛骨的前后位移特征如圖2(b3)所示，健康正常人膝關節股骨相對脛骨的 上下位移特征如圖2 (b4)所示；
[0058] 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神經網絡辨識器實現對步態系統未 知動態的局部準確逼近：
[0059] (1)未知非線性步態系統動態建模如下：
[0061] 其中，X = [Xl，…，xn]Te Rn是步驟1提取到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，P是系統常 參數值，η為步態特征變量的維數；F(x ;p) = [fjx ;p),…，匕" ；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，v(x;p) = [Vl(x; p),…，νη(χ Φ)]1^建模不確定項，由于建模不確定項v(x ;p)和步態系統動態F(x ;p)無 法互相解耦，因此將二者合并為一項P) ^(Α·; /)) + ν(Λ% /小，并定義為一般非線性步態 系統動態；
[0062] (2)設計RBF神經網絡辨識器用于辨識
[0063] 采用動態RBF神經網絡構造 RBF神經網絡辨識器，對非線性步態系統動態進行學 習的神經網絡拓撲結構簡圖如圖3所示，動態RBF神經網絡辨識器.（=， 其中i = …乂]是神經網絡辨識器的狀態，A = diag[ai，…，an]是對角矩陣，％是設 計的常數，滿足〇 < |a」< 1，例如取0.55 :
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口^4)，3〇〇 = [51(|以-|1||，~ ，SN(| |Χ-ξη|⑴是高斯型徑向基函數，N> 1是神經網絡結點數目，例如取Ν = 83521，ξ i 是神經元中心點，神經元均勻分布在區域[-1，1] X [-1，1] X [-1，1] X [-1，1]之內，且寬度 取0. 15 ;將所有步態特征數據歸一化到[-1，1]區間；RBF神經網絡權值木的調節律如下：
[0065] 其中，i表示η維步態特征變量中第i維變量，-λ:,是狀態誤差，Γ ;= Γ J >〇, σρΟ是調節律的調節參數，本實施例中取Γ 1= 15, σ ι=〇. 15,動態RBF神經網絡 的權值次的初始值兩(0) = Ο ;
[0066] 對一般非線性步態系統動態局部準確建模可由如下公式表示：
[0068] 其中，ε u是逼近誤差；這里的局部準確建模是指通過RBF神經網絡對沿步態特征 數據的內在系統動態軌跡的逼近，而遠離軌跡的內部動態則不被逼近；
[0069] 上述RBF神經網絡權值的調節律是根據李雅普洛夫穩定性定理和確定學習理論 來設計，使狀態誤差與權值估計都有界并指數收斂，其中RBF神經網絡的權值收斂有兩種 情況：沿步態特征數據回歸軌跡的RBF神經網絡的神經元滿足持續激勵條件，其權值收斂 到最優值的小鄰域內；遠離步態特征數據回歸軌跡的RBF神經網絡的神經元不受激勵而不 被調節，其權值近似為零。
[0070] 例如在一段時間內權值收斂至常值（最優值），其學習階段神經網絡權值的收斂 情況如圖4所示，靠近系統軌跡的神經元的權值滿足部分持續激勵條件，從而收斂到其最 優值；而遠離系統軌跡的神經元受激勵的程度很小而幾乎不被調節，基本上保持在零的小 鄰域內；
[0071] 步驟3、建立常值神經網絡?^3(χ):
[0072] 常值神經網絡是時不變的并且空間分布的，即：有效的信息只存貯在靠近 步態特征數據的內在系統動態軌跡的神經元上，而遠離軌跡的神經元沒有存貯信息，常值 神經網絡只逼近沿步態特征數據空間軌跡的內部動態，遠離軌跡的內部動態沒有 被逼近；因此，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；所述常值神經網絡權值··_，％]''，
^其中，[ta，tb]代表常值神經網絡權值在完成向其最優值收斂的過渡 過程之后的一個時間段，這樣使得/7)可由常值神經網絡進行局部準確逼近： 識/7)=吟'只，)+ ，其中，ε i2是逼近誤差；
[0073] 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，采集的9個待檢測前交叉韌帶損傷患者的膝關節股骨 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 特征數據形成測試集；
[0074] 步驟5、利用常值神經網絡構建一組動態估計器，將測試集中待檢測前交 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準確分類檢測出來，實現對前交叉韌帶損 傷的輔助篩查檢測，具體步驟如下：
[0075] (1)根據訓練步態模式庫中健康正常人和前交叉韌帶損傷患者的一般非線性步態 系統動態的RBF神經網絡辨識結果，即常值神經網絡權值，構造一組動態估計器，將步 驟2和3學習到的健康正常人和前交叉韌帶損傷患者的步態系統動力學知識嵌入到動態估 計器中，表述如下：
[0077] 其中，無"為動態估計器的狀態，匕為動態估計器參數，本實施例中取13 _35，x tl 為測試集中待檢測前交叉韌帶損傷患者的步態特征數據，k表示Μ個訓練模式中的第k個 訓練模式，Μ為訓練步態模式庫中的模式總量，健康正常人和前交叉韌帶損傷患者每一次行 走過程中提取出來的步態特征數據序列就構成一個模式，試驗過程中試驗對象行走了多少 次，對應的提取出來的步態特征數據序列就構成了多少個模式；
[0078] (2)將測試集中待檢測前交叉韌帶損傷患者的步態特征數據xtl與這組動態估計 器做差，得到如下的分類檢測誤差系統：
[0080] 其中，％ =方-&是狀態估計誤差，計算％的平均1^范數如下：
，其中，T。表示步態周期；
[0082] (3)如果測試集中待檢測前交叉韌帶損傷患者的步態模式相似于訓練步態模式 s (s e {1，…，k})，則嵌入動態估計器s中的常值RBF神經網絡爐f能夠快速回憶起學 過的知識并提供對步態動力學的準確逼近；因此，相對應的誤差
在所有誤差
中變得最小，基于最小誤差原則，這一待檢測前交叉韌帶損傷患者的異常步態能被快速分 類檢測出來，分類檢測策略如下：
[0083] 如果存在一個有限時間ts，s e {1，…，k}和某一 i e {1，…，η}，使得
對所有t > ts成立，則出現的待檢測前交叉韌帶損傷患者的異常步態模式 可以被分類檢測出來，實現對前交叉韌帶損傷的輔助檢測。
[0084] 利用靈敏度（Sensitivity)、特異度（Specificity)和準確度（Accu