本发明专利技术公开了一种辅助筛查膝骨性关节炎的步态分析方法,基于提取的膝关节角度和位移的步态特征数据,对健康正常人和膝骨性关节炎患者的步态系统动态进行神经网络建模、辨识;建立常值神经网络;利用常值神经网络构建动态估计器,基于健康正常人和膝骨性关节炎患者的步态模式之间在步态系统动力学上的差异,根据最小误差原则区分膝骨性关节炎所引起的异常步态和一般健康人群的正常步态,实现对膝骨性关节炎的辅助筛查检测,本发明专利技术通过光学传感器获取步态特征数据,可以方便简单、非侵入地区分膝骨性关节炎所引起的异常步态和一般健康人群的正常步态,与磁共振成像、关节镜手术等筛查手段相比,可以实现对膝骨性关节炎的无创筛查,节省时间和费用。
【技术实现步骤摘要】
本专利技术涉及。
技术介绍
膝骨性关节炎(knee osteoarthritis,ΚΟΑ)是以关节软骨退变为主要病理特征的 慢性临床综合症,极大地影响了患者的生活质量,严重者致残致障,被称为"不死的癌症"。 膝骨性关节炎是机械因素及生物因素共同作用导致的关节软骨、软骨下骨以及周围软组织 的共同病损,临床主要表现为疼痛和行走功能障碍。 膝关节解剖结构复杂,半月板增加了胫骨和股骨的内外软骨的接触而积,韧带主 要起引导关节活动的作用,而周围肌肉则稳定关节的静态和动态姿势,这种双骼结构使膝 关节对机械环境的改变尤其敏感。膝关节病变可导致周围肌肉运动的不协调;同样,任何不 协调的动作在步态上都会有反映。正常步态的一系列活动不能顺利完成,则出现异常步态。 膝骨性关节炎患者软骨的损害一般发生在活动中,疼痛和障碍也在活动中表现出 来,而临床中静态检查经常难以诱导出症状或症状诱导不完全,因此选取动态观察方法可 能更具有优势。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, 当膝骨性关节炎患者的步态出现异常时可以较好地完成上述动态条件下的膝骨性关节炎 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。 目如,如何进一步提尚膝骨性关节炎诊断的准确性和提尚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膝骨性关节炎的"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。但是膝骨性关节炎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,能够对膝骨性关节炎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基于步态分析进行非侵入的诊断,易于操作和 实现,节省费用和时间,也不会对患者造成伤害,属于无创检测。 正常步态的特征,如膝关节角度、位移、关节力矩及功率等在步与步之间通常呈现 出复杂的波动特性。无论是膝骨性关节炎患者还是健康人群,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。膝骨性关节炎 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 膝骨性关节炎,则缺少相应的研究,也是其中的难点问题之一。 检测膝骨性关节炎患者的异常步态并辅助筛查膝骨性关节炎,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。
技术实现思路
本专利技术的目的在于克服现有技术的缺点与不足,提供一种辅助筛查膝骨性关节炎 的步态分析方法,为判别膝骨性关节炎患者的异常步态提供一种更为简洁准确的筛查检测 方法。 本专利技术,包括以下步骤: 步骤1、通过光学传感器分别采集每个膝骨性关节炎患者和健康正常人的膝关节 股骨相对胫骨的内外旋角度、屈伸角度以及膝关节股骨相对胫骨的上下位移的步态特征数 据,构成一组步态特征变量,所采集的若干膝骨性关节炎患者和健康正常人的膝关节股骨 相对胫骨的内外旋角度、屈伸角度以及膝关节股骨相对胫骨的上下位移的步态特征数据形 成训练集; 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膝骨性关节炎 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; 步骤3、常值神经网络的建立: 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; 步骤4、通过光学传感器分别采集每个待检测膝骨性关节炎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,采集的若干待检测膝骨性关节炎患者的膝 关节角度和位移步态特征数据形成测试集; 步骤5、分类检测: 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 库里健康正常人和膝骨性关节炎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,把待检测膝骨性关节炎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膝骨性关节炎患者的异常步态检测出来,实现对膝骨 性关节炎的辅助筛查。 采用广州军区广州总医院骨科自建的步态分析数据库,通过上海逸动医学科技有 限公司研发的红外光导航膝关节在体检测系统〇pti_Knee这一带红外光学传感器的设备来 采集步态特征数据。 进一步的,步骤2中,未知非线性步态系统动态建模如下: 其中,x=T£Rn是步骤1提取到的膝关节角度和位移的步态特征数据,p 是系统常参数值,η为步态特征变量的维数;?(^?) = 7是光滑且未知 的非线性动态变量,代表了健康正常人和膝骨性关节炎患者的步态系统动态,v( X;P) = [V1 ^…,…^▲^斤是建模不确定项^二者合并为^^/^^/如:/^ +啦/^并定义为一般 非线性步态系统动态; 进一步的,步骤2中,设计神经网络辨识器用于辨识以)=% 采用动态RBF神经网络构造神经网络辨识器? = -J(i-x)-f S(.y),其中 无=是神经网络辨识器的状态,A = diag是对角矩阵,&1是设计的常数, 满足0< | ai | < 1I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W.rjhSUXSKl Ιχ-ξ」|,…,SN(| |Χ-ξη| |]τ是高斯型径向基函 数,N>1是神经网络结点数目是神经元中心点,RBF神经网络权值吃的调节律如下当前第1页1 2 3 4 本文档来自技高网...
【技术保护点】
一种辅助筛查膝骨性关节炎的步态分析方法,其特征在于包含如下步骤:步骤1、通过光学传感器分别采集每个膝骨性关节炎患者和健康正常人的膝关节股骨相对胫骨的内外旋角度、屈伸角度以及膝关节股骨相对胫骨的上下位移的步态特征数据,构成一组步态特征变量,所采集的若干膝骨性关节炎患者和健康正常人的膝关节股骨相对胫骨的内外旋角度、屈伸角度以及膝关节股骨相对胫骨的上下位移的步态特征数据形成训练集;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膝骨性关节炎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;步骤3、常值神经网络的建立: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;步骤4、通过光学传感器分别采集每个待检测膝骨性关节炎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,采集的若干待检测膝骨性关节炎患者的膝关节角度和位移的步态特征数据形成测试集;步骤5、分类检测: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膝骨性关节炎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,把待检测膝骨性关节炎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膝骨性关节炎患者的异常步态检测出来,实现对膝骨性关节炎的辅助筛查检测。...
【技术特征摘要】
【专利技术属性】
技术研发人员:曾玮,张余,王清辉,马立敏,王颖,刘风琳,
申请(专利权)人:龙岩学院,
类型:发明
国别省市:福建;35
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。