一种步态功能评估方法技术

本发明专利技术提出了一种步态功能评估方法，包括以下步骤：步骤10，获取健康成人及患有运动功能障碍疾病患者的步态特征的数据组；步骤20，对所述步态特征的数据组进行预处理，所述预处理包括缺失数据的填补和异常数据的剔除；步骤30，根据信息增益值选择部分步态特征作为关键步态特征；步骤40，根据所述关键步态特征，求解SVM分类器的最优模型；步骤50，获取待测试者的所述关键步态特征的数据组，然后通过所述最优模型评估步态功能是否异常。本发明专利技术通过选取对步态功能影响较大的步态特征建立评估模型，从而可科学、客观、准确、直观地对步态功能进行评估。

【技术实现步骤摘要】
一种步态功能评估方法
本专利技术涉及运动数据处理及评估
，具体涉及一种步态功能评估方法。
技术介绍
步态是人体行走的姿态，其中包括了人体躯干、上肢以及下肢的运动和配合。在工程领域，对于步态的功能评估是步态分析中的一个重要内容，在临床上，它可以帮助临床医生了解患者是否存在平衡功能障碍，找出引起功能障碍的原因，判断治疗手段是否有效；在日常生活中，人们对步态功能评估的研究，可以规避摔倒的风险，降低摔倒带来的生命威胁和身体损伤。另外，步态功能评估可反映运动功能的健全与否，对于健康人，尤其是老人和儿童，以及运动功能障碍的病人的生活和安全非常重要。目前，步态功能评估方法中采用的通常是常规参数(如单侧下肢运动功能的评定中使用时相百分比、关节角度、关节角速度、加速度等)和肌肉特征(如肌肉收缩程度及其力学特性参数等较微观的肌肉运动特征)这两种评定指标以及第三类评定指标(如表征步行对称性质的步长对称指标、地面反力对称指标，表征下肢动作执行情况基于fitts定律的对称指标等)，这种通过单个参数的比较从而对个体进行总体评价的方法无法客观、准确地反应待测试者的真实信息；另外，这种评估方法在步态功能分析方面大多依赖医生的经验以及患者自身的感觉来评估，缺乏科学性，结果有可能会严重失实。
技术实现思路
针对现有技术的不足，本专利技术提出一种步态功能评估方法，克服了现有技术中凭个人经验判断对步态功能进行评估时主观性过强的缺点，也避免了现有技术中仅通过单个参数的比较对个体进行总体评估时无法客观、准确地反应待测试者的真实信息的问题。本专利技术的技术方案是这样实现的：一种步态功能评估方法，包括以下步骤：步骤10，获取健康成人及患有运动功能障碍疾病患者的步态特征的数据组，所述步态特征包括周期、步幅、步速、步频、左步长、右步长、左支撑相、右支撑相、地反力、表面肌力、足偏角、髋关节屈曲值、髋关节伸展值、膝关节屈曲值、膝关节伸展值、关节力矩中的多种或全部；步骤20，对所述步态特征的数据组进行预处理，所述预处理包括缺失数据的填补和异常数据的剔除；步骤30，对所述步态特征的数据组分别进行编码分类，将数据组中数值大小位于其相应步态特征的标准范围内的用0表示，数值大小位于其相应步态特征的标准范围外的用1表示；患有运动功能障碍疾病患者用0表示其数据组的类别标签，健康成人用1表示其数据组的类别标签；然后根据编码分类后的数据组及类别标签分别计算所述步态特征的相应信息增益值，根据信息增益值从大到小的顺序依次选择部分步态特征作为关键步态特征；步骤40，根据健康成人及患有运动功能障碍疾病患者的所述关键步态特征的数据组进行归一化处理，并将归一化后的数据组平均划分为S份子样本，其中的S-1份子样本作为训练集，其余的作为校验集；分别通过可能形成的S种训练集确定相应SVM分类器的模型，并通过相应校验集分别对相应模型进行验证，计算出相应模型的准确率，以其中准确率最高的模型作为最优模型；步骤50，获取待测试者的所述关键步态特征的数据组，然后通过所述最优模型评估步态功能是否异常。可选的，所述健康成人在总样本中的占比不低于20％，患有运动功能障碍疾病患者在中样本中的占比不低于20％。可选的，步骤20中，利用平均方法对所述步态特征中的缺失数据进行填补，利用最近邻插补法对所述步态特征中的异常数据进行剔除。可选的，步骤30中，所述关键步态特征占所述步态特征的60％～80％。可选的，步骤30中，所述信息增益值的计算公式为g(D,Ai)＝H(D)-H(D|Ai)，其中H(D)为所述步态特征的数据组的经验熵，H(D|Ai)为相应步态特征Ai对所述步态特征的数据组的经验条件熵。可选的，设训练集的数据组为D，数据组D有K个类Ck，则|D|为训练集的总样本个数，|Ck|为属于类Ck的样本个数，其中k＝1,2,…K；设步态特征Ai的取值将D划分为i个子集，子集Di中属于类Ck的样本的集合为Dik，则|Di|为Di的样本个数，|Dik|为Dik的样本个数，其中i＝1,2,…i；则所述经验熵H(D)和所述经验条件熵H(D|Ai)的计算公式分别为：可选的，所述SVM分类器的模型为f(x)＝sign(w*x+b*)，其中最优法向量w*和最优截距b*的值根据最优分界面的条件确定。可选的，所述最优分界面的条件为：s.t.yi(w·xi+b)≥1-ξi,i＝1,2,…,Nξi≥0,i＝1,2,…,N其中，w为法向量，b为截距，C为惩罚项参数，ξi为对应的样本点的松弛变量，yi为第i条数据组的类别标签。可选的，所述最优分界面通过构建拉格朗日函数求解，所构建的拉格朗日函数为：其中，αi，μi为拉格朗日乘子。与现有技术相比，本专利技术具有以下优点：本专利技术通过求解信息增益值的方法先选取对步态功能影响较大的关键步态特征，有效地剔除不相关或冗余的步态特征，然后再通过关键步态特征数据确定SVM分类器的最优模型，提高了模型的精确度，最后以该最优模型作为评估模型对步态功能进行评估，准确度更高，且更客观、科学，可为医生或患者在诊断待测试者的步态功能是否异常时提供参考。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术步态功能评估方法实施例一的流程图；图2为本专利技术步态功能评估方法实施例二的流程图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。图1为本专利技术步态功能评估方法实施例一的流程图，参阅图1，本专利技术公开的步态功能评估方法，包括以下步骤：步骤10，获取健康成人及患有运动功能障碍疾病患者的步态特征的数据组；本专利技术实施例中的步态特征，是指可能会对步态的功能评估有影响的步态特征特征，如周期、步幅、步速、步频、左步长、右步长、左支撑相、右支撑相、地反力、表面肌力、足偏角、髋关节屈曲值、髋关节伸展值、膝关节屈曲值、膝关节伸展值、关节力矩等，本专利技术实施例中所获取的步态特征可为其中的多种或全部。其中，可通过三维步态捕捉仪器对相应步态特征进行采集数据。另外，在选取样本的过程中，样本的年龄应均匀分布在20～70之间，男女比例尽可能维持在1:1，样本中受试者人数应数不低于50人。而且，在采集步态特征的数据组的过程中，每次采集10次，从中选择采集最好的一次，以提高评估模型的准确性。进一步的，所采取的样本个数应不低于1500例，样本个数越高则所建立的模型越准确。而且，患有运动功能障碍疾病患者的占比应不低于20％，健康成人的占比应不低于20％，避免样本的正负不平衡影响模型的准确率。步骤20，对所述步态特征的数据组进行预处理，所述预处理包括缺失数据的填补和异常数据的剔除；本专利技术实施例中，步骤10中步态特征的数据组可能会存在不完整、存在异常的问题，会对后续的模型的建立造成一定影响，因此这里需要先对步态特征的数据进行预处理本文档来自技高网...

【技术保护点】
1.一种步态功能评估方法，其特征在于，包括以下步骤：步骤10，获取健康成人及患有运动功能障碍疾病患者的步态特征的数据组，所述步态特征包括周期、步幅、步速、步频、左步长、右步长、左支撑相、右支撑相、地反力、表面肌力、足偏角、髋关节屈曲值、髋关节伸展值、膝关节屈曲值、膝关节伸展值、关节力矩中的多种或全部；步骤20，对所述步态特征的数据组进行预处理，所述预处理包括缺失数据的填补和异常数据的剔除；步骤30，对所述步态特征的数据组分别进行编码分类，将数据组中数值大小位于其相应步态特征的标准范围内的用0表示，数值大小位于其相应步态特征的标准范围外的用1表示；患有运动功能障碍疾病患者用0表示其数据组的类别标签，健康成人用1表示其数据组的类别标签；然后根据编码分类后的数据组及类别标签分别计算所述步态特征的相应信息增益值，根据信息增益值从大到小的顺序依次选择部分步态特征作为关键步态特征；步骤40，根据健康成人及患有运动功能障碍疾病患者的所述关键步态特征的数据组进行归一化处理，并将归一化后的数据组平均划分为S份子样本，其中的S‑1份子样本作为训练集，其余的作为校验集；分别通过可能形成的S种训练集确定相应SVM分类器的模型，并通过相应校验集分别对相应模型进行验证，计算出相应模型的准确率，以其中准确率最高的模型作为最优模型；步骤50，获取待测试者的所述关键步态特征的数据组，然后通过所述最优模型评估步态功能是否异常。...

【技术特征摘要】
1.一种步态功能评估方法，其特征在于，包括以下步骤：步骤10，获取健康成人及患有运动功能障碍疾病患者的步态特征的数据组，所述步态特征包括周期、步幅、步速、步频、左步长、右步长、左支撑相、右支撑相、地反力、表面肌力、足偏角、髋关节屈曲值、髋关节伸展值、膝关节屈曲值、膝关节伸展值、关节力矩中的多种或全部；步骤20，对所述步态特征的数据组进行预处理，所述预处理包括缺失数据的填补和异常数据的剔除；步骤30，对所述步态特征的数据组分别进行编码分类，将数据组中数值大小位于其相应步态特征的标准范围内的用0表示，数值大小位于其相应步态特征的标准范围外的用1表示；患有运动功能障碍疾病患者用0表示其数据组的类别标签，健康成人用1表示其数据组的类别标签；然后根据编码分类后的数据组及类别标签分别计算所述步态特征的相应信息增益值，根据信息增益值从大到小的顺序依次选择部分步态特征作为关键步态特征；步骤40，根据健康成人及患有运动功能障碍疾病患者的所述关键步态特征的数据组进行归一化处理，并将归一化后的数据组平均划分为S份子样本，其中的S-1份子样本作为训练集，其余的作为校验集；分别通过可能形成的S种训练集确定相应SVM分类器的模型，并通过相应校验集分别对相应模型进行验证，计算出相应模型的准确率，以其中准确率最高的模型作为最优模型；步骤50，获取待测试者的所述关键步态特征的数据组，然后通过所述最优模型评估步态功能是否异常。2.如权利要求1所述步态功能评估方法，其特征在于，步骤10中，所述健康成人在总样本中的占比不低于20％，患有运动功能障碍疾病患者在中样本中的占比不低于20％。3.如权利要求1所述步态功能评估方法，其特征在于，步骤20中，利用平均方法...

【专利技术属性】
技术研发人员：韦宇炜，何汉武，李晋芳，贺刚，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44