一种基于足底压力信息的步态划分与特征提取方法

技术领域

本发明涉及数字诊断、人工智能、康复训练领域，具体涉及一种基于足底压力信息的步态划分与特征提取方法。

背景技术

帕金森病患者的肌肉问题和轴向症状也导致步态表现异常。步态功能障碍可用于评估帕金森病患者的生活质量、跌倒风险甚至死亡率。在能够自行行走的患者中，行走时的独特外力是地面反作用力(GRF)。因此，使用测力鞋垫记录竖直方向的GRF并分析患者的步态，可以对医生的评估起到辅助作用，用于帕金森病步态评估的特征多为运动学特征，如步频，步速等。

正常颅压脑积水(NPH)是指颅内压力正常而有脑室扩大，并有记忆力、智力减退，步态不稳，尿失禁的一组特殊的临床综合症。步态不稳定是首先出现的第一症状，偶然可出现于智力下降，尿失禁之后，步态不稳可表现为轻微的走路失平衡。与帕金森病步态不同之处是行走节奏无改变，无慌忙步态，在所有病例均出现。常有摔倒的病史，严重者表现为不能行走或站立。腰椎穿刺是检查常压脑积水病的重要步骤，病人在进行腰椎穿刺放出20-30ml脑脊液后，症状有明显改善，疗效可持续12-36小时，腰穿后会出现明显的步速提高等特点，量化步态分析是用于评估患者腰穿效果的重要依据。

发明内容

本发明为克服现有技术不足，提供一种基于足底压力信息的步态划分与特征提取方法。该方法通过预处理、步态划分和特征提取，可以实现对同一患者不同时期的特征对比，可以获得连续的特征观察，有助于医生进行诊断。对受试者步态周期中的足底压力变异性进行量化分析。

本发明的技术方案为：一种基于足底压力信息的步态划分与特征提取方法，它包括

a、对有下肢运动功能障碍的患者进行足底压力信息采集；

b、针对采集到的足底压力信息，进行信号预处理；

c、基于预处理后的足底压力进行步态划分；

d、提取常规运动学特征和足底压力指数动力学特征。

本发明相比现有技术的有益效果是：

本发明通过信号预处理，实现步态划分和特征提取，可以实现对同一患者不同时期的特征比对，可以获得连续的特征观察，有助于医生进行诊断。对受试者步态周期中的足底压力变异性进行量化分析。本发明可以实现传统运动学特征的提取，还可以实现压力变异性指标动力学特征的提取。通过足底压力变异性指标，可以定量评估患者在步行过程中，各个步态周期的支撑相之间的足底压力变异程度，有助于定量评估患者姿态不稳定，用力不均匀等情况，可以在动力学特征中为医生提供诊断辅助。

本发明的步态划分与特征提取方法对PD和iNPH患者有着重要的的早期诊断和治疗意义。步态分析是对人体运动的系统研究，客观精确的进行运动学分析与动力学分析对于医生评估帕金森病患者的生活质量具有重要意义。

下面结合附图和实施例对本发明的技术方案作进一步地说明：

附图说明

图1为本发明的步态划分及特征提取流程图。

具体实施方式

结合图1说明，本实施方式的一种基于足底压力信息的步态划分与特征提取方法，它包括：

a、对有下肢运动功能障碍的患者进行足底压力信息采集；

b、针对采集到的足底压力信息，进行信号预处理；

c、基于预处理后的足底压力进行步态划分；

d、提取常规运动学特征和足底压力指数动力学特征。

实施例1，本实施例进一步限定的是：步骤a采用无线传输式足底压力采集鞋垫，进行足底压力信息采集。采用无线传输测力鞋垫，可以适应多种环境下的足底压力采集，超薄的测力鞋垫和低重量数据盒可避免心理暗示，降低对步态的影响。

实施例2、本实施例与实施例1不同之处在于：步骤b中所述信号预处理是指利用截止频率为15-25Hz的低通滤波器进行滤波，去除噪声，并通过收集到的患者体重信息，对竖直方向的足底压力信号幅值归一化处理。

实施例3、本实施例是对实施例2的进一步限定：所述足底压力信号幅值归一化处理是指将滤波后压力信号，对患者体重做除法，由下列公式计算：

其中，x(m)为滤波后的压力信号，单位为牛顿；w为患者体重，单位为牛顿；x′(m)为经过幅值归一化处理后的足底压力信号。

实施例4、本实施例是在实施例2和实施例3基础上进行的步态划分，首先规划周期性运动，人体的步态是一种周期性运动，当一侧的下肢足跟触地时，视为一个步态周期的开始，知道该侧足跟在此触地，不断循环。在进行足底压力信号的离线分析时，首先进行数据的预处理工作，根据受试者体重设定支撑相和摆动相切换的阈值，大于阈值的期间为支撑相，小于阈值的期间为摆动相，一个步态周期为从摆动相切换到支撑相开始，到下一次摆动相切换到支撑相结束。步态划分是指按照足底压力在人体下肢的支撑相和摆动相过程中的不同特征，摆动相时足底压力为零，支撑相时足底压力有示数，将人体步行周期进行划分，并按照步态周期百分比，进行时间归一化处理。由于人体的特异性，步态周期会有变化，不会完全相同，所以按照步态周期百分比，进行时间归一化处理，而进行时间归一化处理时由于支撑相时间在各个步态中不会完全相同，可根据采样频率和支撑相时长，对其进行时间归一化处理。

实施例5、本实施例在实施例4和实施例3的基础上给出了压力变异性指数的提取，步骤d中动力学特征提取是指支撑相压力变异性指数的提取，通过对足底压力信号进行幅值和时间的归一化，将每一个步态周期中对应步态周期百分比的时刻，进行平均值和标准差计算，最后对所有标准差去均值，得到足底压力变异性指数，作为动力学特征。

压力变异性指标是通过如下反映：

首先，求所有步态周期在相同支撑相时刻的平均足底压力大小：

其次，计算所有步态周期中对应支撑相百分比的标准差，计算后获得范围为0-100％的100个标准差；

然后，对0-100％的整个支撑相的所有100个标准差，进行求平均值，得到足底压力变异指数：

上述公式中，n为划分后的步态周期个数，j为支撑相百分比，范围为0-100％；f

通过该足底压力变异指数，可以定量评估患者在步行过程中，各个步态周期的支撑相之间的足底压力变异程度。有助于定量评估患者姿态不稳定，用力不均匀等情况，可以在动力学特征中为医生提供诊断辅助。

实施例6、本实施例是对实施例1和/或实施例4的运动学特征提取的进一步限定：所述运动学特征提取是根据划分的步态周期的时间信息进行计算，提取步频、步态周期、支撑相占比和摆动相占比特征。通过足底压力信息，可以对如上运动学特征进行提取。

实施例7、基于上述实施方式及实施例的描述，给出一个特定环境下的基于足底压力信息的步态划分与特征提取方法；

信号源为一对轻量化测力鞋垫，每只鞋垫厚度不超过1.2mm，整只鞋垫内包含100个压敏传感器，每个压敏传感器表面积小于6mm×8mm。与鞋垫配套的有数据盒，体积为6.5cm×4cm×1.5cm，重量43克，内置有3.7伏可充电锂聚合物电池。这个小巧轻便的盒子戴在脚踝上，可以最大限度地减少对患者的影响。足底压力信息通过WiFi从数据采集盒到计算机进行传输，每个压敏传感器的采样频率为100Hz，最大测量值为100N，分辨率为0.1N/cm2。

作好设备穿戴等准备工作，告知受试者步行任务，其中任务范式不固定，基本要求为有一段至少10m的直线步行任务。进行压数据采集过程中，清空场地，保持无声光干扰，避免对受试者步态造成影响。

人体的步态是一种周期性运动，当一侧的下肢足跟触地时，视为一个步态周期的开始，知道该侧足跟在此触地，不断循环。在进行足底压力信号的离线分析时，首先进行数据的预处理工作。对原始数据用一个截止频率为25Hz的低通滤波器，去除信号中的高频噪声。随后根据受试者体重设定支撑相和摆动相切换的阈值，视大于阈值的期间为支撑相，小于阈值的期间为摆动相。一个步态周期为从摆动相切换到支撑相开始，到下一次摆动相切换到支撑相结束。

随后，根据患者体重，进行足底压力信号幅值归一化处理，具体方法为所采集到的信号，对患者体重做除法。如下列公式所示，x(m)为采集到的患者足底压力信号，滤波后的信号，单位为牛顿；m为采集到的足底压力信号数据长度；w为患者体重，单位为牛顿；x′(m)为经过幅值归一化处理后的足底压力信号。

根据患者体重，设置支撑相和摆动相之间的阈值λ，根据足底压力测量鞋垫的使用经验，在本实施例中，阈值λ设定为5％。足底压力大于λ的期间视为支撑相，其他视为摆动相。

对支撑相进行提取，由于支撑相时间在各个步态中不会完全相同，所以根据采样频率和支撑相时长，对其进行时间归一化。归一化方法为对所提取出的支撑相进行三次样条插值，插值后所有步态周期支撑相的数据点数相同，且均被定义为0-100％。

随后进行传统的运动学特征提取，如步频、步态周期、支撑相占比和摆动相占比特征等，这些特征可根据之前划分的步态周期的时间信息进行计算提取。

进行压力变异性指标动力学特征提取，在进行支撑相的幅值归一化与时间归一化后，经过以下计算：

首先，求所有步态周期在相同支撑相时刻的平均足底压力大小；

其次，计算所有步态周期中对应支撑相百分比的标准差，计算后获得范围为0-100％的100个标准差；

然后，对0-100％的整个支撑相的所有100个标准差，进行求平均值，得到足底压力变异指数；

上述公式中，n为划分后的步态周期个数，j为支撑相百分比，范围为0-100％；f

通过该足底压力变异指数，可以定量评估患者在步行过程中，各个步态周期的支撑相之间的足底压力变异程度。有助于定量评估患者姿态不稳定，用力不均匀等情况，可以在动力学特征中为医生提供诊断辅助。

本发明已以较佳实施案例揭示如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可以利用上述揭示的结构及技术内容做出些许的更动或修饰为等同变化的等效实施案例，均仍属本发明技术方案范围。