[發明專利]針對踝關節韌帶損傷的步態特征提取與生成方法及系統

有效

• 申請號: 202010148549.0
• 申請日: 2020-03-05
• 公開（公告）號: CN111329488B
• 公開（公告）日: 2021-02-02
• 發明（設計）人: 劉欣;王莉;張德政;任繼平;趙辰;阿孜古麗.吾拉木;謝永紅;栗輝
• 申請（專利權）人: 北京科技大學
• 主分類號: A61B5/11
• 分類號: A61B5/11;A61B5/00;G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京市廣友專利事務所有限責任公司 11237
• 代理人: 張仲波

1.一種針對踝關節韌帶損傷的步態特征提取與生成方法，其特征在于，所述針對踝關節韌帶損傷的步態特征提取與生成方法包括：

采集受試者的步態數據并對采集到的步態數據進行預處理；

針對步態共性特征及受試者個體實際運動情況，將預處理后的步態數據按照特征標記點空間坐標位置進行步態周期和步態相位自動分割；

基于步態周期和步態相位分割結果，對損傷組與對照組的各維度特征進行假設檢驗，篩選出具有顯著特異性的足踝步態特征，構建步態的時空特征空間；

構建深度卷積生成對抗網絡，利用生成器與判別器之間生成與對抗的方式反復迭代優化生成數據質量，直到生成符合判別器要求的步態特征為止；

其中，所述對采集到的步態數據進行預處理，包括：

對所采集的步態數據進行數字濾波，降低步態數據的噪聲；

將數字濾波后的步態數據輸入編碼器進行二值化編碼；

將二值化編碼輸入空間沉淀池，形成基于神經皮質網絡的穩定稀疏離散表征，用于學習步態數據的空間頻繁模式；

將空間頻繁模式輸入到時間沉淀池，構建活躍細胞間的神經連接，用于記憶步態數據的時間模式序列；

經網絡迭代優化后，形成獨立類別數據的分類預測模型，對所采集的步態數據中的缺失部分進行預測，補齊步態數據中的缺失值。

2.如權利要求1所述的針對踝關節韌帶損傷的步態特征提取與生成方法，其特征在于，在生成符合判別器要求的步態特征后，所述方法還包括：

以皮爾遜相關系數法衡量生成特征與真實特征間的線性相關程度；

通過t分布隨機近鄰嵌入算法將真實的高維運動特征及生成的高維運動特征映射到二維平面中，量化、直觀地驗證二者的分布及混疊情況。

3.如權利要求1所述的針對踝關節韌帶損傷的步態特征提取與生成方法，其特征在于，所述采集受試者的步態數據，包括：

基于海德堡足部測量方法，建立覆蓋小腿部分、踝關節部分、足跟部分、足中部分和足尖部分的足踝部運動測量模型；基于所述足踝部運動測量模型，通過光學運動捕捉系統采集受試者的步態數據；其中，

小腿部分測量的特征點包括：沿膝關節彎曲軸最大距離方向的膝關節內、外側標記點、脛骨粗隆最凸出位置標記點以及脛骨三等分點；

踝關節部分測量的特征點包括：沿踝骨轉動軸最大距離方向的內踝標記點和沿踝骨轉動軸最大距離方向的外踝標記點；

足跟部分測量的特征點包括：跟骨內、外、背側最凸出位置標記點和從矢狀面觀察軸線與地面約成45°的舟骨標記點；

足中部分測量的特征點包括：第1、5跖骨近端標記點和第1、2、5跖骨遠端標記點；

足尖部分測量的特征點包括大拇趾的趾骨遠端中點。

4.如權利要求3所述的針對踝關節韌帶損傷的步態特征提取與生成方法，其特征在于，針對步態共性特征及受試者個體實際運動情況，將預處理后的步態數據按照特征標記點空間坐標位置進行步態周期和步態相位自動分割，包括：

基于跟骨背側標記點空間位置對預處理后的步態數據進行步態周期分割；

基于跖骨遠端中點空間位置對預處理后的步態數據進行步態相位分割，劃分出每一步態周期中所包含的支撐相和擺動相；

基于根據背側標記點空間位置幀間差進行支撐相期分割，劃分出支撐相中所包含的著地期、支撐期以及推進期。

5.如權利要求4所述的針對踝關節韌帶損傷的步態特征提取與生成方法，其特征在于，所述篩選出具有顯著特異性的足踝步態特征，包括：

針對踝關節韌帶損傷的特異性步態特征進行提取，所提取的特異性步態特征包括：步態基本特征、步態相期特征、步行速度特征和關節調整特征；其中，

特異性的步態基本特征包括：步長和跨步時長；

特異性步態相期特征包括：著地期占比和站立期占比；

特異性步行速度特征包括：小腿、踝關節及足部的最大速度，踝關節和足部的速度峰值在步態周期中出現的位置，小腿、踝關節和足中的最小速度，小腿的速度谷值在步態周期中出現的位置；

特異性關節調整特征包括：在支撐期，加減速調整次數，小腿、踝關節和足中由減速到加速的調整次數，小腿、踝關節、足跟和足中由加速到減速的調整次數，小腿、踝關節、足中和足尖的平均速度。