CN106937872B - 一种基于回归曲线的步态双侧对称性评价方法 - Google Patents

一种基于回归曲线的步态双侧对称性评价方法 Download PDF

Info

Publication number
CN106937872B
CN106937872B CN201710262314.2A CN201710262314A CN106937872B CN 106937872 B CN106937872 B CN 106937872B CN 201710262314 A CN201710262314 A CN 201710262314A CN 106937872 B CN106937872 B CN 106937872B
Authority
CN
China
Prior art keywords
gait
curve
matrix
axis
feature vector
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710262314.2A
Other languages
English (en)
Other versions
CN106937872A (zh
Inventor
高发荣
许敏华
李影
甘海涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201710262314.2A priority Critical patent/CN106937872B/zh
Publication of CN106937872A publication Critical patent/CN106937872A/zh
Application granted granted Critical
Publication of CN106937872B publication Critical patent/CN106937872B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/112—Gait analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6813—Specially adapted to be attached to a specific body part
    • A61B5/6829—Foot or ankle
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • Physiology (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Psychiatry (AREA)
  • Mathematical Optimization (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Dentistry (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种基于回归曲线的步态双侧对称性评价方法。首先，利用加速度传感器获取步态运动时足部三轴加速度信息，并对获取的加速度信息进行消噪预处理；其次，提取消噪后的加速度信号，分别计算连续步态周期的双侧对称性指标，实现步态对称性的定量分析。本发明步态双侧对称性检测方法具有简便、准确的特点，在步态平衡能力分析等领域具有广阔的应用前景。

Description

一种基于回归曲线的步态双侧对称性评价方法
技术领域
本发明属于模式识别技术领域，涉及一种加速度信号的识别方法，特别涉及一种基于回归曲线的双侧步态对称性评价方法。
背景技术
下肢步态是人体在行走过程中，双腿所表现出的姿势和状态，具有周期性、连续性和重复性等特点。人体行走过程中，从一侧脚跟着地到该侧脚跟再次着地的时间为一个完整的步态周期。在步态运动中，人体神经中枢通过复杂的、不易复制的控制，表现出高效能、稳定的步态。其中，步态运动的主要执行者为下肢，而足部作为人体与地面之间接触的器官，在运动过程中发挥了重要作用，其运动的对称性分析结果，被广泛应用于运动员训练、健康人锻炼，以及行走障碍患者功能康复等的步态运动评价。
现有技术中，常采用足底压力信息研究步态的对称性。其方法是当足底与地面接触的时，通过测量足部与地面相互挤压产生的足底压力来实现。但在足部处于来回摆动的步态过程时，无法获取有效的足底压力信息。因此，基于足底压力的步态分析，对于完整的、连续步态周期存在一定的局限性。加速度信号由足部运动产生，具有实时、连续性的特点，可用于进行步态分析。现有技术中，步态双侧对称性分析指标包括非对称性的统计值，如相关系数、主成分、方差分析以及平均差分析等，存在随机误差大，数据利用率低的问题。例如，均差指标用于评估垂直方向上的平移，容易受到步态曲线幅值的影响，随机误差大。另外，运动范围仅仅比较了步态曲线中的最大、最小值，而忽略了曲线总体的分布状况，具有数据利用率低的缺陷。
发明内容
本发明针对目前人体行走时步态对称性分析中数据利用率低、随机误差大的问题，提出一种基于回归原理的步态双侧对称性评价方法。
为了实现上述目标，本发明方法包括以下步骤：
步骤1，足部运动加速度信号获取。
在实验数据采集中，将加速度传感器置于受试者足部前端，采集步态运动过程中产生的足部三轴加速度信号，然后对原始足部三轴加速度信号进行消噪预处理，分离出信号与噪声，最后重构消噪后的加速度信号样本数据，获得步态运动足部加速度信息。
步骤2，基于回归曲线的步态双侧对称性指标计算
步态双侧对称性的评价集中在计算分析一个步态周期内双侧步态曲线的差异。其中，较小的双侧曲线差异代表了较高的对称性。曲线上的每一点减去均值得到新的曲线，计算公式如下：
其中，与为左右两侧足部的原始数据，通过三轴加速度计来获取；与为转化后的左右曲线点；与为左右曲线的均值。
将上一过程中计算转换得到的步态加速度数据与重构成一个矩阵其矩阵M构成下：
对矩阵M应用奇异值分解计算其特征向量，具体计算步骤如下：
1)根据|λE-MMH|＝0求出矩阵MMH的特征值λ1、λ2、...、λn，同时可得对应奇异值假设共有j个奇异值。其中E为单位矩阵，MH为矩阵M的共轭转置矩阵，计算如下：
其中，为ro(i)-rave(i)的共轭复数。
2)分别计算特征值λi对应的特征向量满足其中，
为n维空间中的正交基。这里，矩阵M的特征向量代表了矩阵内所有元素的分布特点，因此沿着该特征向量的方向，矩阵变异率达到最大。
在计算得到矩阵M特征向量的基础上，依据三角几何关系进一步求得特征向量与坐标轴与x或y之间的夹角。根据该夹角，将矩阵M的每一行进行旋转变化，使之沿着x轴或者y轴分布。旋转计算如下：
其中，与分别为旋转后的左右步态曲线；θ为矩阵M特征向量与x轴或者y轴的夹角。旋转后的步态曲线沿着x轴分布，分别计算x轴方向与y轴方向上步态曲线的变化率。横轴变化率varX表示沿着特征向量方向步态曲线的畸变状况，纵轴方向的变化率varY表示沿特征向量正交方向上的畸变状况，计算如下：
这里为向量的模，为向量的模。由此得到步态双侧对称性指标值，表达式为varY/varX，以一个百分数来表示，用于评价双足行走时的步态对称性，其中0％表示最佳对称性。
本发明中提出一种基于回归曲线的方法，通过计算完整步态周期的数据，得到左右足部步态对称性指标值，用于评价人体步态的对称性。本发明中的方法随机波动小，对称性指标数值稳定，收敛性较高。
附图说明
图1为本发明具体实施流程图；
图2为连续步态周期双侧对称性计算过程示意图；
图3为一个步态周期的步态曲线及回归曲线；
图4为步态双侧对称性指标。
具体实施方式
下面结合说明书附图对本发明的具体实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程。但本发明的保护范围不限于下述的实施例。
如图1，本发明方法的实施主要包括以下步骤：
步骤一，双侧足部加速度信号采集。在步态运动过程中，采用Delsys公司的三轴加速度计，其采样频率为150Hz。
在本实施例中，选取的实验对象为24±1.75健康男性，采用不同步速作为步态双侧对称性对比评价的依据，分别以1.0m/s、1.2m/s、1.4m/s以及1.6m/s的速度进行平地行走运动。采集到的加速度信号由蓝牙模块传输到PC机，在滤波预处理的基础上进行下一步态双侧对称性分析环节。
步骤二，计算步态双侧对称性指标。当受试者进行步态实验时，左右双足处于周期性摆动、交替向前的过程，因此左右的步态曲线存在一定的相位差。为了分析两侧足部步态曲线之间的双侧对称性，需要截取不同侧的完整步态曲线。同时，用于比较计算的步态曲线之间不能存在相位差。
本实施例中，选取一个完整的步态曲线周期作为目标，通过时间平移，分别计算每次平移时的相关性，用以确定分析趋势对称值的双侧曲线。其中，平移时间与步态曲线相关性之间的关系如图2所示。其中，a为平移时间与差异性曲线；b为平移时间500-700内的差异曲线，即为图2a中虚线框A内差异曲线；b内黑色“+”号代表该区间内，差异性最低点，即双侧步态曲线相关性最高点。
如图2所示，双侧步态差异曲线呈现出较强的周期性。取一个周期中最小差异性值，以此为基础，分析基于回归曲线的双侧步态曲线之间的趋势对称值，如图3所示。图中，3a为双侧步态曲线，不带点的代表左侧，带点的代表右侧，g代表重力加速度，值为9.8m/s2；3b虚线为回归曲线，实线为特征向量的方向。通过计算平行与垂直特征向量两个方向上的曲线变异性，分析左右两侧步态曲线之间的步态双侧对称性指标，为增加双侧对称性评价的代表性，本实施例选取了12组不同步速下的对称指标值，并计算了相应的平均值和方差值，如表1所示。
表1不同步态条件趋势对称值
在本实施例中，为了让评价结果更为直观，将受试者步态双侧对称性指标值的变化趋势用盒状图方式表示，如图4所示。其中，横坐标代表受试者行走步速，分别为1.0m/s、1.2m/s、1.4m/s以及1.6m/s。图中，“+”表示离群值，表明该值与本组其他数据存在显著差异；横线表示第50个百分位数，即中位数；另外，从上到下的边界依次为第90、75、25以及10个百分位数，盒子的扁平程度代表了数据的集中程度；最后，“*”表示该组双侧对称值的均值位置。
运动人体双侧步态曲线的双侧对称性表示左右曲线的差异程度，即当对称性指标值为0时，双侧曲线相似度最高，对称性最佳。依据对称性指标的定义，如图4中，随着受试者行走步速的提高，步态双侧对称性指标呈现下降趋势，该现象说明，在本测试范围内，步态的双侧对称性随着行走速度的提高而逐渐增强。另外，在该过程中，盒状图中盒子区域随着行走速度的提高更趋于扁平化，数据分布更为紧密，说明其随机波动性变小，对称性指标趁好。

Claims (1)

1.一种基于回归曲线的步态双侧对称性评价方法，其特征在于，该方法具体包括以下步骤：
步骤1，足部运动加速度信号获取；
在实验数据采集中，将加速度传感器置于受试者足部前端，采集步态运动过程中产生的足部三轴加速度信号，然后对原始足部三轴加速度信号进行消噪预处理，分离出信号与噪声，最后重构消噪后的加速度信号样本数据，获得步态运动足部加速度信息；
步骤2，基于回归曲线的步态双侧对称性指标计算；
步态双侧对称性的评价集中在计算分析一个步态周期内双侧步态曲线的差异；其中，较小的双侧曲线差异代表了较高的对称性；曲线上的每一点减去均值得到新的曲线，计算公式如下：
其中，与为左右两侧足部经步骤1重构消噪后的三轴加速度信号数据；与为转化后的左右曲线点；与为左右曲线的均值；
将上一过程中计算转换得到的步态加速度数据与重构成一个矩阵其矩阵M构成下：
对矩阵M应用奇异值分解计算其特征向量，具体计算步骤如下：
1)根据|λE-MMH|＝0求出矩阵MMH的特征值λ1、λ2、...、λn，同时可得对应奇异值λi≠0；假设共有j个奇异值；其中E为单位矩阵，MH为矩阵M的共轭转置矩阵，计算如下：
其中，为ro(i)-rave(i)的共轭复数；
2)分别计算特征值λi对应的特征向量满足其中，为n维空间中的正交基；这里，矩阵M的特征向量代表了矩阵内所有元素的分布特点，因此沿着该特征向量的方向，矩阵变异率达到最大；
在计算得到矩阵M特征向量的基础上，依据三角几何关系进一步求得特征向量与坐标轴x或y之间的夹角；根据该夹角，将矩阵M的每一行进行旋转变化，使之沿着x轴或者y轴分布；旋转计算如下：
其中，与分别为旋转后的左右步态曲线；θ为矩阵M特征向量与x轴或者y轴的夹角；旋转后的步态曲线沿着x轴分布，分别计算x轴方向与y轴方向上步态曲线的变化率；横轴变化率varX表示沿着特征向量方向步态曲线的畸变状况，纵轴方向的变化率varY表示沿特征向量正交方向上的畸变状况，计算如下：
这里为向量的模，为向量的模；由此得到步态双侧对称性指标值，表达式为varY/varX，以一个百分数来表示，用于评价双足行走时的步态对称性，其中0％表示最佳对称性。
CN201710262314.2A 2017-04-20 2017-04-20 一种基于回归曲线的步态双侧对称性评价方法 Active CN106937872B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710262314.2A CN106937872B (zh) 2017-04-20 2017-04-20 一种基于回归曲线的步态双侧对称性评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710262314.2A CN106937872B (zh) 2017-04-20 2017-04-20 一种基于回归曲线的步态双侧对称性评价方法

Publications (2)

Publication Number Publication Date
CN106937872A CN106937872A (zh) 2017-07-11
CN106937872B true CN106937872B (zh) 2019-11-12

Family

ID=59463790

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710262314.2A Active CN106937872B (zh) 2017-04-20 2017-04-20 一种基于回归曲线的步态双侧对称性评价方法

Country Status (1)

Country Link
CN (1) CN106937872B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107616798B (zh) * 2017-09-19 2020-06-19 北京工业大学 一种基于重力加速度的步态不对称性检测方法
CN110226932A (zh) * 2018-12-26 2019-09-13 杭州电子科技大学 人体日常行为动作的足底压力特征提取方法
CN111568436B (zh) * 2020-05-29 2023-01-17 常州大学 一种基于回归旋转角的步态对称性评价方法
CN112568901A (zh) * 2020-12-09 2021-03-30 常州大学 一种基于多传感器的步态对称性和一致性评估方法
CN113274039B (zh) * 2021-05-19 2022-06-07 福州市第二医院（福建省福州中西医结合医院、福州市职业病医院） 一种基于表面肌电信号和运动信号的预测分类方法和装置
CN114376566A (zh) * 2022-02-16 2022-04-22 常州大学 一种手部负重时下肢节段的对称性评估方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930133A (zh) * 2012-09-24 2013-02-13 安徽埃力智能科技有限公司 一体化平衡与步态快速评估***及评估方法
CN104834888A (zh) * 2014-12-04 2015-08-12 龙岩学院 一种辅助筛查帕金森症的异常步态识别方法
CN106166071A (zh) * 2016-07-04 2016-11-30 中国科学院计算技术研究所 一种步态参数的采集方法及设备
KR20170003270A (ko) * 2015-06-30 2017-01-09 인하대학교 산학협력단 보행 불균형 측정 방법 및 시스템
CN106419928A (zh) * 2016-11-03 2017-02-22 浙江大学 一种可穿戴式设备及用于该设备的实时步长测量方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9591993B2 (en) * 2008-03-20 2017-03-14 University Of Utah Research Foundation Method and system for analyzing gait and providing real-time feedback on gait asymmetry

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930133A (zh) * 2012-09-24 2013-02-13 安徽埃力智能科技有限公司 一体化平衡与步态快速评估***及评估方法
CN104834888A (zh) * 2014-12-04 2015-08-12 龙岩学院 一种辅助筛查帕金森症的异常步态识别方法
KR20170003270A (ko) * 2015-06-30 2017-01-09 인하대학교 산학협력단 보행 불균형 측정 방법 및 시스템
CN106166071A (zh) * 2016-07-04 2016-11-30 中国科学院计算技术研究所 一种步态参数的采集方法及设备
CN106419928A (zh) * 2016-11-03 2017-02-22 浙江大学 一种可穿戴式设备及用于该设备的实时步长测量方法

Also Published As

Publication number Publication date
CN106937872A (zh) 2017-07-11

Similar Documents

Publication Publication Date Title
CN106937872B (zh) 一种基于回归曲线的步态双侧对称性评价方法
Yoneyama et al. Accelerometry-based gait analysis and its application to Parkinson's disease assessment—part 1: detection of stride event
WO2018107915A1 (zh) 一种基于时序分析的通用无创血糖预测方法
CN109875565A (zh) 一种基于深度学习的脑卒中上肢运动功能自动评定方法
Ai et al. Classification of parkinsonian and essential tremor using empirical mode decomposition and support vector machine
CN109717833A (zh) 一种基于人体运动姿态的神经疾病辅助诊断***
CN104398263A (zh) 一种基于近似熵和互近似熵的帕金森患者震颤症状量化评测方法
CN104107042A (zh) 基于粒子群优化-支持向量机的肌电信号步态识别方法
Shao et al. Single-channel SEMG using wavelet deep belief networks for upper limb motion recognition
Hersek et al. A globalized model for mapping wearable seismocardiogram signals to whole-body ballistocardiogram signals based on deep learning
CN100548207C (zh) 一种眼震位移矢量的统计分析方法
CN108903929A (zh) 心率检测修正的方法、装置、存储介质和***
Altini et al. Combining wearable accelerometer and physiological data for activity and energy expenditure estimation
CN109446972A (zh) 基于肌电信号的步态识别模型建立方法、识别方法及装置
CN105997043A (zh) 一种基于腕式可穿戴设备的脉率提取方法
Wu et al. Upper limb motion recognition based on LLE-ELM method of sEMG
CN109674445A (zh) 一种结合非负矩阵分解和复杂网络的肌间耦合分析方法
CN104958072A (zh) 一种基于矢量多分类的大脑功能区特异性脑电检测方法
CN112732092A (zh) 基于双视图多尺度卷积神经网络的表面肌电信号识别方法
CN105796091B (zh) 一种用于去除心电信号车辆运动噪声的智能终端
TWI629049B (zh) A method for analyzing a heart shock signal for calculating a short-term heart rate value
CN117883074A (zh) 一种基于人体姿态视频的帕金森病步态量化分析方法
CN108078564A (zh) 一种基于脑波信号测量的平衡力评估方法
CN110403631A (zh) 一种基于连续超声图像的无创颅内压测量方法
CN113520413B (zh) 一种基于表面肌电信号的下肢多关节角度估计方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant