基于SVM的偏癱患者異常步態(tài)識別與臨床康復(fù)輔助診斷系統(tǒng)

王全坤 郭冰菁,2* 尤愛民 韓建海,2 劉慶祥

1(河南科技大學(xué)機(jī)電工程學(xué)院 河南 洛陽 471003)

2(河南省機(jī)器人與智能系統(tǒng)重點(diǎn)實驗室 河南 洛陽 471003)

3(河南科技大學(xué)第一附屬醫(yī)院康復(fù)科 河南 洛陽 471003)

0 引 言

步態(tài)識別是如今非接觸式生物特征識別領(lǐng)域的熱門研究方向之一,根據(jù)人在運(yùn)動時的運(yùn)動姿態(tài)可用于身份識別、動作識別、體育訓(xùn)練運(yùn)動姿態(tài)評估和康復(fù)治療步態(tài)診斷等[1]。其中異常步態(tài)的識別作為康復(fù)醫(yī)學(xué)領(lǐng)域的一個重要組成部分,相比于傳統(tǒng)醫(yī)師診斷具有一致性高、識別速度快、對患者造成的干擾小的特點(diǎn),很大程度上改善了臨床治療中對患者康復(fù)程度的跟蹤手段,加快治療方案調(diào)整過程。

近年來,國內(nèi)外的研究人員研制出的步態(tài)識別系統(tǒng),從步態(tài)數(shù)據(jù)的獲取方式上大體可以分為三類,第一類是通過視覺系統(tǒng)采集圖像數(shù)據(jù),如kinect、英國Vicon公司的光學(xué)運(yùn)動捕捉系統(tǒng)等[2];第二類是通過肌電傳感器獲取電生物信號,如肌電或腦電[3];第三類是通過物理傳感器采集人體運(yùn)動學(xué)和動力學(xué)數(shù)據(jù),如慣性測量單元、加速度傳感器、足底壓力傳感器和三維測力平臺電子步道系統(tǒng)等[4]。視覺系統(tǒng)采集圖像數(shù)據(jù)的方式,雖然提取的步態(tài)信息具有全面性,但是價格昂貴、對測試場地的要求高。肌電傳感器獲取電生物信號存在信號微弱、信噪比低、非線性、易受外界干擾等問題,導(dǎo)致分類精度較低,同時傳感器的位置選擇及穿戴過程需要專業(yè)人員輔助,準(zhǔn)備時間較長。物理傳感器可采集人體運(yùn)動過程中肢體的位置、速度、角度、加速度等信息,對場地的要求小,患者穿戴方便。

臨床上對于步態(tài)的分析主要有定性分析、定量分析兩大類[5-7]。步態(tài)的定性分析是評定者以目測觀察患者的行走過程,通過與正常的步態(tài)進(jìn)行對比并結(jié)合病理步態(tài)的特點(diǎn)從而做出步態(tài)分析的定性研究。常用的定性分析法是由評定者對患者進(jìn)行測試后,根據(jù)定性或半定量量表(如Brunnstrom偏癱步態(tài)分析評定表、美國Rancho Los Amigo醫(yī)院設(shè)計的RLA步態(tài)觀察分析表等)進(jìn)行評分、分析。步態(tài)的定量分析是評定者借助器械或?qū)ｉT設(shè)備對步態(tài)進(jìn)行運(yùn)動學(xué)和動力學(xué)的分析,運(yùn)動學(xué)常見的方法有足印法、電子步墊等,動力學(xué)常見的方法有測力平臺、表面肌電圖。傳統(tǒng)的步態(tài)評估方式主要是憑借醫(yī)師或醫(yī)護(hù)人員多年的臨床經(jīng)驗來判斷,具有主觀性,或是借助專門的器械,給患者造成諸多不便,而且實現(xiàn)起來煩瑣,給醫(yī)護(hù)人員增加額外的工作量[8]。綜上所述,偏癱患者異常步態(tài)通常由多關(guān)節(jié)運(yùn)動功能障礙導(dǎo)致,正確識別能夠盡快確定治療方案,多種異常步態(tài)的細(xì)分是在當(dāng)前偏癱步態(tài)研究基礎(chǔ)上應(yīng)該進(jìn)一步深入研究的問題。因此能夠?qū)崿F(xiàn)集成步態(tài)數(shù)據(jù)采集、異常步態(tài)識別、虛擬康復(fù)訓(xùn)練、臨床康復(fù)輔助診斷于一體的計算機(jī)系統(tǒng),將為康復(fù)治療過程的動態(tài)監(jiān)控與診療提供自動化模式。

本文提出的基于傳感器網(wǎng)絡(luò)的異常步態(tài)識別診斷系統(tǒng),從人體的運(yùn)動學(xué)特點(diǎn)出發(fā),以方便、舒適、非侵?jǐn)_為設(shè)計理念,探索異常步態(tài)細(xì)分識別方法?；谶B續(xù)的步態(tài)時空參數(shù)易采集、易處理、信息全面的特點(diǎn),提出特征提取方法,選擇最優(yōu)化決策融合模型進(jìn)行正?；颊吆推c患者的區(qū)分,細(xì)分出典型的偏癱異常步態(tài),結(jié)合臨床康復(fù)輔助診斷系統(tǒng),實現(xiàn)偏癱患者步態(tài)的初步診斷,結(jié)合基于虛擬現(xiàn)實的康復(fù)訓(xùn)練系統(tǒng),實現(xiàn)康復(fù)過程的動態(tài)診斷。

1 步態(tài)監(jiān)測與識別系統(tǒng)

所研發(fā)的臨床康復(fù)及診斷系統(tǒng)包括步態(tài)時空參數(shù)檢測模塊、數(shù)據(jù)通信模塊、虛擬康復(fù)訓(xùn)練系統(tǒng)、步態(tài)識別算法及診斷報告系統(tǒng),如圖1所示。

圖1 系統(tǒng)結(jié)構(gòu)框圖

實現(xiàn)異常步態(tài)識別和臨床康復(fù)輔助診斷的流程為：患者按照要求穿戴好由IMU(慣性測量單元)傳感器網(wǎng)絡(luò)組成的數(shù)據(jù)采集系統(tǒng),在醫(yī)生的指導(dǎo)下完成下肢信息的采集,醫(yī)生可以在虛擬場景實時觀察患者的行走狀態(tài),在數(shù)據(jù)采集完成后由系統(tǒng)內(nèi)置步態(tài)識別算法進(jìn)行初步的輔助診斷及報告生成。

系統(tǒng)中全身穿戴式設(shè)備IMU是由三個單軸的加速度計和三個單軸的陀螺儀組成的,加速度計是檢測物體在載體坐標(biāo)系下的三軸的加速度信號,陀螺儀是檢測載體相對于導(dǎo)航坐標(biāo)系的角速度信號,通過多個測點(diǎn)集成測試肢體在三維空間中的角速度和加速度信號,由此解算出下肢姿態(tài),具有體積小、質(zhì)量輕、功耗低、工作頻帶寬的優(yōu)點(diǎn)。下肢運(yùn)動采集的數(shù)據(jù)傳輸方式是通過2.4 G藍(lán)牙無線連接,數(shù)據(jù)刷新率可達(dá)到500 Hz,無線傳輸距離可達(dá)30 m,具有精準(zhǔn)、穩(wěn)定、不受場地限制、低延時、抗干擾能力強(qiáng)等特點(diǎn)。

虛擬現(xiàn)實系統(tǒng)是一種可以創(chuàng)建和體驗虛擬世界的計算機(jī)系統(tǒng),通過視、聽、觸等作用于用戶,讓用戶產(chǎn)生身臨其境感覺的交互式視景仿真,是一種多源信息融合的、交互式的三維動態(tài)視景和實體行為的系統(tǒng)[9]。所設(shè)計的虛擬現(xiàn)實康復(fù)訓(xùn)練及診斷系統(tǒng)包括康復(fù)訓(xùn)練場景、步態(tài)數(shù)據(jù)動態(tài)采集、診斷報告生成。步態(tài)數(shù)據(jù)動態(tài)采集界面如圖2所示,其中實時步態(tài)動畫基于Unity3D平臺開發(fā),Unity3D是一個可以進(jìn)行實時3D互動內(nèi)容創(chuàng)作和運(yùn)營平臺,進(jìn)行3D模型、游戲制作的專業(yè)游戲引擎[10]。將制作好的人物模型導(dǎo)入到創(chuàng)建好的虛擬場景之中,利用Unity3D中的動畫系統(tǒng)Avatar進(jìn)行人物的骨骼模型綁定,實現(xiàn)人體動作的實時跟蹤。IMU傳感器所獲取的步態(tài)數(shù)據(jù)為四元數(shù)格式,通過數(shù)據(jù)處理算法轉(zhuǎn)換為關(guān)節(jié)角度數(shù)據(jù),成為步態(tài)特征提取算法的數(shù)據(jù)基礎(chǔ)。

圖2 步態(tài)數(shù)據(jù)動態(tài)采集界面

2 異常步態(tài)識別方法

2.1 特征提取

1) 關(guān)節(jié)角度數(shù)據(jù)處理算法。IMU傳感器獲取的數(shù)據(jù)是各個節(jié)點(diǎn)的四元數(shù)數(shù)據(jù),本文采用的是關(guān)節(jié)角度數(shù)據(jù),所以需要將四元數(shù)的數(shù)據(jù)變換成歐拉角。

四元數(shù)(Quaternions)有效地用于三維空間中旋轉(zhuǎn)姿態(tài)的表示。四元數(shù)是簡單的超復(fù)數(shù),定義如式(1)所示。

q=w+xi+yj+zk

(1)

式中：w為實部,xi+yj+zk為虛部,w、x、y、z為實數(shù),若x=y=z=0,則q為實數(shù)。

人體下肢髖關(guān)節(jié)通常為2個自由度、膝關(guān)節(jié)為1個自由度、踝關(guān)節(jié)為3個自由度,根據(jù)人體下肢關(guān)節(jié)坐標(biāo)系定義[11]可知,需要將傳感器的四元數(shù)數(shù)據(jù)轉(zhuǎn)換為矢狀面、冠狀面和垂直面內(nèi)的關(guān)節(jié)角度。因此設(shè)計數(shù)據(jù)轉(zhuǎn)換,如式(2)所示,將四元數(shù)數(shù)據(jù)轉(zhuǎn)換為歐拉角表示,最終提取出人體坐標(biāo)系中的關(guān)節(jié)角度。

四元數(shù)轉(zhuǎn)換成歐拉角：

(2)

式中：φ、θ、ψ分別表示繞x、y、z軸旋轉(zhuǎn)角度,對應(yīng)人體坐標(biāo)系的橫斷面狀面內(nèi)關(guān)節(jié)旋轉(zhuǎn)角度、矢狀面內(nèi)關(guān)節(jié)旋轉(zhuǎn)角度、水平面內(nèi)關(guān)節(jié)旋轉(zhuǎn)角度。

(3)

以采集的一位身高175 cm、體重80 kg～90 kg左右的健康男性的原始步態(tài)數(shù)據(jù)為例,通過式(3)得到矢狀面內(nèi)左髖和左膝關(guān)節(jié)角度數(shù)據(jù),如圖3所示。

圖3 濾波前后步態(tài)數(shù)據(jù)

由圖3可知,滑動均值濾波算法能夠在保證原有數(shù)據(jù)特征的基礎(chǔ)下,提高曲線的平滑度,獲得穩(wěn)定的特征點(diǎn),便于后續(xù)步態(tài)周期的劃分。

2) 數(shù)據(jù)濾波算法。由圖3中髖、膝關(guān)節(jié)原始數(shù)據(jù)曲線可看出,測得的步態(tài)數(shù)據(jù),受到環(huán)境因素、傳感器的性能、電磁干擾、機(jī)械振動等各種因素的影響,在下肢關(guān)節(jié)運(yùn)動方向發(fā)生變化時存在有較大的噪聲,故采取了滑動均值濾波的方式進(jìn)行濾波處理,滑動平均濾波算法中選取隊列長度為20個采樣點(diǎn)。

3) 步態(tài)周期劃分。步態(tài)時空參數(shù)中的步態(tài)周期對于步態(tài)識別非常重要,從連續(xù)運(yùn)動數(shù)據(jù)中需要準(zhǔn)確地確定各患者的步態(tài)周期。步態(tài)劃分常見的有兩種方法分別是基于幀分割和基于周期分割[12]?；趲指钣纸凶骰诠潭ɑ瑒哟翱诘姆指?其基本原理就是按照固定數(shù)據(jù)的長度進(jìn)行周期的劃分。方法實現(xiàn)簡單,雖然該方法具有很好的實時性,但卻不能很好反映步態(tài)模式引起的時間變化問題?；谥芷诜指畹姆椒ㄊ且圆綉B(tài)周期為基礎(chǔ),能夠體現(xiàn)出步態(tài)數(shù)據(jù)隱藏生物特征。

從圖3中可以看出,人在正常直立行走的狀態(tài)下,人體下肢髖、膝關(guān)節(jié)的運(yùn)動角度的曲線和周期性變化的正弦曲線相似,左右腿交替向前,其中之間的步態(tài)間隔相差半個步態(tài)周期,膝關(guān)節(jié)運(yùn)動變化是跟隨髖關(guān)節(jié)的變化,在同一個步態(tài)周期中的髖膝關(guān)節(jié)的運(yùn)動步調(diào)是一致的,也就是說同一條腿的髖膝關(guān)節(jié)步態(tài)周期是相同的。因此可以選擇選取髖關(guān)節(jié)的每個步態(tài)周期的極小值點(diǎn)來進(jìn)行周期的劃分,將選取的極小值點(diǎn)定義為周期的分割點(diǎn),兩個分割點(diǎn)之間的時間即為一個步態(tài)周期[13]。因此將濾波之后的每個步態(tài)周期的極小值點(diǎn)進(jìn)行標(biāo)記,對步態(tài)周期的開始和結(jié)束部分可能會產(chǎn)生干擾的點(diǎn)進(jìn)行剔除,標(biāo)記后的髖關(guān)節(jié)步態(tài)周期的分割點(diǎn)如圖4所示。

圖4 步態(tài)周期劃分

4) 步態(tài)特征提取與歸一化預(yù)處理。腦卒中偏癱患者在步行過程中常常會出現(xiàn)髖關(guān)節(jié)外展外旋,膝關(guān)節(jié)反張,足下垂、內(nèi)翻,劃圈等異常姿勢,臨床上將其稱之為偏癱步態(tài)。正常步態(tài)與偏癱步態(tài)的最直接區(qū)分特征是雙下肢步態(tài)對稱性,偏癱步態(tài)的細(xì)分需要考慮典型關(guān)節(jié)特征。如劃圈步態(tài)的生理原因是股四頭肌痙攣,膝關(guān)節(jié)屈曲困難即膝僵直,支撐相晚期和擺動初期,膝關(guān)節(jié)屈曲<40°(正常60°)。因此步態(tài)特征提取需要根據(jù)康復(fù)醫(yī)學(xué)找出特征[14]。將人體下肢相鄰關(guān)節(jié)坐標(biāo)系的原點(diǎn)連接為向量,可通過對雙側(cè)下肢的5個向量的相對姿態(tài)準(zhǔn)確刻畫出下肢的步態(tài)特征,如圖5所示。

圖5 下肢步態(tài)特征向量

腦卒中偏癱的發(fā)病機(jī)理是由于病人的患肢側(cè)臀部擺成半圓,骨盆向上傾斜。由于股四頭肌活動不當(dāng),導(dǎo)致膝蓋過度伸展。僵硬的膝蓋會抑制腿部的向前行進(jìn),并導(dǎo)致患者在承受身體重量時無法進(jìn)行減震性的膝關(guān)節(jié)屈曲。偏癱患者的代償運(yùn)動還會導(dǎo)致步行速度降低、站立時間縮短、患肢擺動時間增加。

本文中僅以膝關(guān)節(jié)異常為例,定義如下兩個特征值：

(1) 左膝最大角度與右膝最大角度之商：

(2) 右膝最大和最小角度之差：

特征值xi用于對劃圈步態(tài)進(jìn)行特征識別,特征值yi用于對膝過伸步態(tài)進(jìn)行特征識別,構(gòu)建2維特征子空間,由于yi的特征值的值域空間不同,所以需要?dú)w一化處理,將特征值域規(guī)范到0到1之間。歸一化是進(jìn)行數(shù)據(jù)處理的基礎(chǔ)工作之一,如若未考慮到不同量綱及量綱單位的評價體系,必然會導(dǎo)致數(shù)據(jù)的分析偏離真實的情況。特征的歸一化最主要目的就是消除身高差異對時空參數(shù)造成的影響,使獲取的特征數(shù)據(jù)變成相對值的關(guān)系,是一種無量綱的處理手段,能夠簡化計算,縮小量值。標(biāo)準(zhǔn)化的公式是：

2.2 步態(tài)識別算法

在異常步態(tài)識別的過程中,最重要的還是分類模型的創(chuàng)立與選擇。本文選擇三種分類器：支持向量機(jī)、K近鄰、線性判別分析。采用模型評估方法,進(jìn)行分類精度的比較,選出更優(yōu)的分類器。步態(tài)識別算法流程如圖6所示。

圖6中步態(tài)識別算法分別采用了三種分類器進(jìn)行嘗試,如下：

1) 支持向量機(jī)。支持向量機(jī)是按照監(jiān)督學(xué)習(xí)的方式針對二分類的任務(wù)設(shè)計的一種泛化性能很強(qiáng)的分類器,建立在統(tǒng)計學(xué)習(xí)理論的VC(Vapnik-Chervonenkis Dimension)(統(tǒng)計學(xué)理論上定義有關(guān)函數(shù)集學(xué)習(xí)性能的一個重要指標(biāo))維理論和結(jié)構(gòu)風(fēng)險最小原理基礎(chǔ)上,主要用于解決小樣本、非線性及高維模式識別問題[15]。

由于人在行走時的異常步態(tài)種類繁多,因此對于異常步態(tài)的識別屬于多分類問題。本文采用支持向量機(jī)(SVM)的分類方法,對劃圈、膝過伸、正常步態(tài)進(jìn)行識別,故需要構(gòu)建三個二類SVM分類器,訓(xùn)練某種步態(tài)分類器時,將其標(biāo)識為+1,其余的標(biāo)記為-1。

對于二分類學(xué)習(xí)最基本的思想就是基于訓(xùn)練集D在樣本中間尋找一個“正中間”最優(yōu)劃分的超平面,該超平面對于訓(xùn)練樣本局部擾動的“容忍性”最好,即該超平面所產(chǎn)生的結(jié)果是最魯棒的,對于未見示例的泛化性能最強(qiáng)。

所以定義如下的拉格朗日函數(shù)：

式中：αi>0為拉格朗日系數(shù)。對w和b求拉格朗日函數(shù)的極小值。得到最優(yōu)分類函數(shù)為：

面對線性問題,核函數(shù)K(xi,x)就是兩向量的點(diǎn)積運(yùn)算;面對非線性情形,需要將樣本的原始空間映射一個高維的,使樣本在這個特征空間內(nèi)線性可分,然后在這個新的特征空間中尋找一個最優(yōu)的劃分超平面,這種非線性變換是通過定義不同的核函數(shù)來實現(xiàn)的。目前常用的核函數(shù)主要有線性核、多項式核、高斯核等。

2) K近鄰(KNN)。K近鄰(KNN)是一種常用的監(jiān)督學(xué)習(xí)的方法,給定測試樣本,基于某種距離度量找出訓(xùn)練集中與其最靠近的k個訓(xùn)練樣本,基于這k個“鄰居”的信息來進(jìn)行預(yù)測[16]。通常在分類中可使用“投票法”,選擇這k個樣本中出現(xiàn)最多的類別標(biāo)記作為預(yù)測的結(jié)果。

3) 線性判別分析(LDA)。線性判別分析(LDA)是一種經(jīng)典的線性學(xué)習(xí)方法,給定訓(xùn)練樣例集,設(shè)法將樣例投影到一條直線上,使同類的樣例投影點(diǎn)盡可能接近、異類樣例的投影點(diǎn)盡可能遠(yuǎn)離,對新樣本進(jìn)行分類時,同樣將其投影到這條直線上,再根據(jù)其投影點(diǎn)的位置再來確定新的樣本的類別。

3 臨床步行對照試驗

3.1 受試者分組

本次臨床試驗一共招募了10位病況病程不同的腦卒中偏癱患者作為研究組,這些患者均來自河南科技大學(xué)第一附屬醫(yī)院康復(fù)科。同時選擇5名健康志愿者作為對照組。因為要實地進(jìn)行臨床步行試驗,所以要求每位參加臨床步行試驗受試者具有一定程度的步行運(yùn)動能力。在試驗之前,已經(jīng)向每位受試者告知了本試驗的研究目的及其測試的步驟,并均已征得了本人的同意,采取自愿參加的形式,試驗全程均在專業(yè)醫(yī)生指導(dǎo)下進(jìn)行。受試者的入選標(biāo)準(zhǔn)如下：

1) 研究組入選標(biāo)準(zhǔn)。

(1) 一側(cè)腦梗死或腦出血,首次發(fā)病,病程大于1個月,經(jīng)顱腦CT或MRI證實為大腦半球病變;(2) 年齡20～75歲;(3) 能獨(dú)立行走至少10 m;(4) 聽覺理解能力基本正常,能配合檢查和完成試驗;(5) 無其他已確診的影響步行功能的疾病;(6) 對本試驗知情,并簽署知情同意書。

2) 對照組入選標(biāo)準(zhǔn)。

(1) 身體健康,無肌肉、骨骼疾患,無神經(jīng)疾患;(2) 年齡20～75歲;(3) 對本試驗知情,并簽署知情同意書。

3.2 臨床試驗流程

以支持向量機(jī)算法來構(gòu)建試驗流程如圖7所示,構(gòu)建的異常步態(tài)分類模型屬于二分類問題,由于要識別三種步態(tài)：兩種異常步態(tài),一種正常步態(tài)。所以需要構(gòu)建三個分類器,首先進(jìn)行臨床數(shù)據(jù)的采集,將采集到的數(shù)據(jù)進(jìn)行整理分析,用選擇好的分類器將步態(tài)進(jìn)行劃分。

步行試驗流程：

1) 提前將試驗的全部流程告知所有受試者,方便受試者的配合和試驗的進(jìn)行。

2) 將IMU傳感器按照要求佩戴在受試者的身上,然后調(diào)整好每個綁帶的松緊度和位置,確保各傳感器能處在標(biāo)準(zhǔn)的位置不會脫落;患者穿戴好后,進(jìn)行姿態(tài)的校準(zhǔn),保證模型精度;校準(zhǔn)完成后,在醫(yī)生的監(jiān)督下,開始以自然的步速行走;在走完10 m的步態(tài)分析走道后立刻停止行走,關(guān)閉軟件的數(shù)據(jù)采集系統(tǒng)。

3.3 數(shù)據(jù)集評估與劃分

在臨床試驗中,針對每一位受試者,提取出5個包含有完整周期的數(shù)據(jù)樣本。從15位受試者的步行試驗中共提取75組步態(tài)周期的數(shù)據(jù)作為數(shù)據(jù)集?？紤]到當(dāng)前的醫(yī)療環(huán)境和臨床試驗條件,想要采集到非常充足的數(shù)據(jù)來訓(xùn)練一個異常步態(tài)分類器,仍然是非常困難的。因此針對有限的小樣本數(shù)據(jù)有效性評估問題,本文采取了支持向量機(jī)的異常步態(tài)識別方法。支持向量機(jī)算法是一種小樣本機(jī)器學(xué)習(xí)理論與方法,不僅有嚴(yán)謹(jǐn)?shù)臄?shù)學(xué)理論基礎(chǔ),而且具有直觀的幾何解釋和數(shù)學(xué)形式。采用結(jié)構(gòu)風(fēng)險最小化的原理,除了與經(jīng)驗風(fēng)險有關(guān),主要與擬合函數(shù)的復(fù)雜度有關(guān),最終決策函數(shù)由少數(shù)的支持向量所確定,計算的復(fù)雜性取決于支持向量的數(shù)目,而不是樣本空間的維數(shù),這在某種意義上避免了“維數(shù)災(zāi)難”,是一種完善的小樣本下數(shù)據(jù)挖掘的工具和方法。此分類方法適用于由于患者行動能力有限而導(dǎo)致的診斷前能獲取的樣本數(shù)量有限的樣本特性。因此,對應(yīng)提取的75組步態(tài)數(shù)據(jù),將訓(xùn)練測試比例設(shè)置為4∶1,訓(xùn)練集用于分類器的建立,篩選出最合適的步態(tài)分類器,并采用交叉驗證的方法來進(jìn)行模型的驗證。

3.4 異常步態(tài)識別結(jié)果分析

在訓(xùn)練集上應(yīng)用三種分類器：支持向量機(jī)、K近鄰、線性判別分析。在測試集上驗證三種分類器的分類精度如圖8所示,平均分類精度如表1所示。

表1 平均分類精度

圖8 分類器分類精度

針對不同的步態(tài),所選三種分類器的分類精度不盡相同,其中平均準(zhǔn)確率最高的分類器是多項式核的SVM,SVM是非線性的分類器,在面對采集到的人體下肢復(fù)雜非平穩(wěn)信號時,非線性分類器的分類性能往往優(yōu)于線性分類器,如線性判別分析(LDA),但是非線性的分類器也不是在每種異常步態(tài)分類上都能優(yōu)于線性分類器,對于不同異常步態(tài)分類,獲得最佳分類精度的模型也有所不同,如在劃圈步態(tài)上線性判別分析(LDA)還優(yōu)于線性核SVM。由于選擇的代價函數(shù)的相互補(bǔ)償和樣本特性等因素的影響,沒有哪種算法會在所有的數(shù)據(jù)上都獲得最好的分類精度,從目前所采用的多種分類方法中僅基于膝關(guān)節(jié)運(yùn)動的兩個特征值所構(gòu)成的特征空間,多項式核的SVM分類方法在偏癱患者膝關(guān)節(jié)功能異常導(dǎo)致的異常步態(tài)識別中平均分類精度最高,驗證了對偏癱步態(tài)特征提取和異常步態(tài)細(xì)分的有效性。由于偏癱患者的患側(cè)肢通常存在多關(guān)節(jié)運(yùn)動障礙,導(dǎo)致異常步態(tài)細(xì)分存在較大難度,通過增加步態(tài)特征值,提取異常步態(tài)相關(guān)性強(qiáng)的特征值,建立更加全面的特征空間,以及核函數(shù)的優(yōu)化將進(jìn)一步提高識別準(zhǔn)確率,為輔助診斷提供科學(xué)、準(zhǔn)確的依據(jù)。

4 結(jié) 語

本文從人體的運(yùn)動學(xué)特點(diǎn)出發(fā),借助傳感器網(wǎng)絡(luò)進(jìn)行人體運(yùn)動數(shù)據(jù)采集,針對偏癱患者的異常步態(tài)特征提取和分類問題進(jìn)行深入的研究,提出一種基于多項式核函數(shù)的SVM偏癱患者異常步態(tài)識別方法,實現(xiàn)偏癱患者異常步態(tài)的細(xì)分。通過臨床試驗所招募的15位志愿者,采集連續(xù)的步態(tài)時空參數(shù)數(shù)據(jù),依據(jù)所提出的步態(tài)特征向量化描述方法,提取下肢步態(tài)特征,對比多種機(jī)器學(xué)習(xí)方法進(jìn)行分類模型創(chuàng)建,以膝關(guān)節(jié)功能障礙為例,驗證了異常步態(tài)的細(xì)分能力,得出臨床康復(fù)診斷結(jié)果,結(jié)合康復(fù)訓(xùn)練虛擬現(xiàn)實系統(tǒng),實現(xiàn)康復(fù)過程的動態(tài)診斷。