[发明专利]一种辅助筛查膝骨性关节炎的步态分析方法

摘要

本发明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。

主权项

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。