技术领域
[0001] 本
发明涉及关节运动技术领域，具体涉及一种膝关节运动障碍功能评判方法。
背景技术
[0002] 目前，针对膝关节运动的功能评判比较单一，如，针对半月板损伤功能的评判，针对ACL损伤功能的评判等，但是，还不能实现针对膝关节运动的平地步态数据对膝关节运动的各种相关运动障碍功能进行评判，而，针对大多数患有膝关节运动障碍的患者，其膝关节可能存在多种不同程度的运动障碍，如，有可能同时存在半月板损伤和ACL损伤，因此，急需要提供能对膝关节相关运动障碍功能进行准确评判的技术方案。
发明内容
[0003] 本
申请提供一种膝关节运动障碍功能评判方法，包括步骤：
[0004] 采集运动者双膝运动的平地步态数据和运动者的基本信息，平地步态数据包括但不限于ACL损伤患者、偏瘫患者、骨关节炎患者、半月板损伤患者和正常人的平地步态数据，并分别形成ACL损伤、偏瘫、骨关节炎、半月板损伤和正常人的
数据库；
[0005] 对所述平地步态数据和基本信息进行特征提取形成
特征向量；
[0006] 对特征向量进行归一化处理，并将归一化处理后的特征向量作为训练集；
[0007] 基于
支持向量机和极限学习机按照预设规则对所述训练集进行训练形成与各个数据库对应的混合模型；
[0008] 采集测试者双膝运动的平地步态数据和基本信息，并进行特征提取形成测试特征向量，利用测试特征向量对混合模型进行测试，获得最优混合模型，测试者包括但不限于ACL损伤患者、偏瘫患者、骨关节炎患者、半月板损伤患者和正常人；
[0009] 采集受试者的平地步态数据和基本信息，并提取特征及将提取的特征输入所述最优混合模型，利用最优混合模型得到平地步态数据的运动障碍功能的分类及评判。
[0010] 一种
实施例中，对平地步态数据和基本信息进行特征提取形成特征向量/测试特征向量，具体为：
[0011] 基本信息的特征向量/测试特征向量提取包括：运动者的身高、体重、身体
质量指数、年龄和性别；
[0012] 根据
自由度曲线对平地步态数据的特征向量/测试特征向量提取，具体包括：提取所述自由度曲线的平均值、方根幅值、均方根值、标准差、最大值、最小值、偏斜度、峭度、峰值因子、裕度因子、
波形因子、脉冲因子、方差、斜率、
活动度、多重相关系数。
[0013] 一种实施例中，还包括对多重相关系数进行改进的步骤：将每一自由度曲线的每一个元素减去所述自由度曲线的平均值，以使自由度曲线整体移动至相同
位置。
[0014] 一种实施例中，还包括对自由度曲线进行一阶微分得到导函数曲线，对平地步态数据的特征向量/测试特征向量提取还包括提取与导函数曲线的相应的统计量/特征。
[0015] 一种实施例中，对特征向量进行归一化处理，具体为：将特征向量的组合进行T检验，选择出符合预设选择条件的特征。
[0016] 依据上述实施例的膝关节运动障碍功能评判方法，由于分别建立ACL损伤、偏瘫、骨关节炎、半月板损伤和正常人的运动数据库，并使用支持向量机和极限学习机按照预设规则对训练集进行训练形成混合模型，同时，利用测试特征向量对混合模型进行测试获得最优混合模型，当将受试者的平地步态数据输入该最优混合模型后，利用交叉验证方法得到该平地步态数据的运动障碍功能分类及该分类的评判，如，能获取ACL损伤、偏瘫、骨关节炎和半月板损伤等引起的运动障碍分类及分类的评判，从而解决了膝关节运动障碍功能评判单一的问题，并能对膝关节相关运动障碍功能进行准确评判。
附图说明
[0017] 图1为膝关节运动障碍功能评判方法
流程图。
具体实施方式
[0018] 下面通过具体实施方式结合附图对本发明作进一步详细说明。
[0019] 在本发明实施例中，通过建立膝关节运动障碍的相关数据库及正常人的膝关节运动数据库，并对各个数据库进行建模，然后根据建立的各类模型能对膝关节运动的相关障碍功能进行评判，以实现根据膝关节运动数据实现膝关节相关运动障碍功能评判的目的。
[0020] 本例提供的膝关节运动障碍功能评判方法，其流程图如图1所示，具体包括以下步骤。
[0021] S1：采集运动者双膝运动的平地步态数据和运动者的基本信息。
[0022] 本例的平地步态数据包括但不限于ACL损伤患者、偏瘫患者、骨关节炎患者、半月板损伤患者和正常人的平地步态数据，并分别创建ACL损伤、偏瘫、骨关节炎、半月板损伤和正常人的数据库。
[0023] S2：对平地步态数据和基本信息进行特征提取形成特征向量。
[0024] 其中，特征提取可以是自动提取也可以是人工提取，具体提取哪些特征对后续的工作有很大的影响，因此，选择提取合适的特征对后续的膝关节运动障碍功能评判非常重要。本例的特征提取优选为人工提取，具体提取的特征向量如下所示：
[0025] 基本信息的特征向量提取包括：运动者的身高、体重、身体质量指数、年龄和性别；
[0026] 根据自由度曲线对平地步态数据的特征向量提取，具体包括：提取自由度曲线的平均值、方根幅值、均方根值、标准差、最大值、最小值、偏斜度、峭度、峰值因子、裕度因子、波形因子、脉冲因子、方差、斜率、活动度、多重相关系数、和与正常均值曲线的差。
[0027] 本例将六自由度的平地步态数据转换为时间序列进行分析，假设自由度曲线的时间序列用X＝x1，x2，x3，…，xi，...，xN表示，N为该时间序列的数据量，则平地步态数据提取的特征向量的计算公式如下。
[0028] 序列的平均值计算公式为：μ＝(x1+x2+x3+...+xN)/N；
[0029] 方根幅值计算公式：
[0030] 均方根值计算公式：
[0031] 最大值：MAX＝max(x1，x2，x3，…，xN)；
[0032] 最小值：MIN＝min(x1，x2，x3，…，xN)；
[0033] 标准差：
[0034] 偏斜度：
[0035] 峭度：
[0036] 峰值因子：
[0037] 裕度因子：
[0038] 波形因子：
[0039] 脉冲因子：
[0040] 方差：VAR＝σ2；
[0041] 斜率：
[0042] 活动度：ROM＝MAX-MIN。
[0043] 需要说明的是，传统的多重相关系数(CMC)的波形数值大小对最终的计算有很大的影响，由于自由度曲线更加关注曲线趋势的变化，因此，本步骤还包括对多重相关系数进行改进，具体的改进是：将每一自由度曲线的每一个元素减去所述自由度曲线的平均值，以使所述自由度曲线整体移动至相同位置。
[0044] 多重相关系数常用来进行波形数据的重复性检测分析，本例的CMC的计算公式为：其中， 表示多重决定系数。
[0045] 对于同一天的 的计算公式如下：
[0046]
[0047]
[0048] 其中，M表示天数，N表示每天测试的次数，T表示一个周期的
采样点数，m表示数据组数(M×N)，n＝T。
[0049] 对于不同天的 的计算公式如下：
[0050]
[0051]
[0052]
[0053] 通过上述不同 的计算公式，在不考虑不同天之间的差异的情况下，本例的CMC的计算公式简化模型为：
[0054]
[0055] 进一步，为了进可能获取全面的特征向量，本例还包括对自由度曲线进行一阶微分得到导函数曲线，对平地步态数据的特征向量提取还包括提取与导函数曲线的相应的统计量/特征，即对应提取导函数曲线的平地步态数据的特征向量，以全面获取平地步态数据的特征向量。
[0056] S3：对特征向量进行归一化处理，并将归一化处理后的特征向量作为训练集。
[0057] 具体的，使用统计学校验和Lasso回归等方法对特征向量进行归一化处理，其中，Lasso(Least absolute shrinkage and selection operator)回归在拟合广义线性模型的同时进行变量筛选。例如在区分ACL损伤患者和正常人时，通过Lasso回归挑选出10-40个步态特征用于后续建模。这里的变量筛选是指不把所有的变量都放入模型中进行拟合，而是有选择的把变量放入模型从而得到更好的性能参数。如，将特征向量的组合进行T检验，T检验用于比较两个平均数是否具有显著性差异，根据预设选择条选取特征，进而，选择出具有显著性差异的特征，本例的预设选择条件为：p＜0.05。
[0058] S4：基于支持向量机和极限学习机按照预设规则对训练集进行训练形成与各个数据库对应的混合模型。
[0059] 以ACL损伤为例进行对混合模型的创建进行说明，支持向量机(Support vector machine，SVM)是Vapnik等提出的一种基于统计学习理论的监督式学习方法。SVM具有同时追求最小化经验误差和最大化几何边缘区的特点，因此支持向量机也被称为最大边缘区分类器。SVM的主要过程也被认为在寻找最优分类
超平面。SVM的基本思想：首先通过
选定的核函数实现非线性变换，将输入的步态特征变量映射到一个高维特征空间，在高维特征空间下求取超平面，使该平面所得的经验误差最小，分类间隔最大。
[0060] SVM对特征之间的相关性有较高的要求，使用Lasso回归
算法对特征集进行特征挑选，对样本进行采用留一法进行变量选择，对每个特征统计其出现的次数，选择前30个特征出现次数最多的特征，用于作为SVM算法的训练特征集。
[0061] 使用SVM对提取的特征向量集进行分类，使用SVM方法进行分类之后，得到结果的同时，获取每一例运动障碍的空间特征位置到最优超平面的距离。由于医学数据的特点，往往这一点距离超平面的距离很难判别。为了提升更好的准确率，本例引入极限学习机进行校验。
[0062] 极限学习机(Extreme learning machine，ELM)是由Huang等提出的一种单隐层
前馈神经网络(single-hiddenlayer feed-forward neural networks，SLFNN)。ELM算法通过简化参数的选择过程提高神经网络的训练速度。
[0063] 由于极限学习机是一种单隐层的神经网络，选择特征时可以比较正常人与ACL损伤患者特征集中具有显著性差异的特征(p＜0.05)作为极限学习机的输入向量。
[0064] 当测试的运动障碍在支持向量机中的空间位置与超平面之间的距离，与另一类相比的预测准确率小于70％时，依据其在极限学习机中的判断结果。如果预测准确率高于70％时，与极限学习机结果进行对照，如出现不同，给出无法判断的结果。
[0065] 按照以上规则训练支持向量机与极限学习机得到一个能够初步判断正常人与ACL损伤患者的混合模型。
[0066] S5：采集测试者双膝运动的平地步态数据和基本信息，并进行特征提取形成测试特征向量，利用测试特征向量对混合模型进行测试，获得最优混合模型。
[0067] 需要说明的是，为了使评判不同类型运动障碍功能的混合模型达到最优，本例的测试者包括但不限于ACL损伤患者、偏瘫患者、骨关节炎患者、半月板损伤患者和正常人等，[0068] 本步骤的测试特征向量的提取具体请参考上述步骤S2中的特征提取，本例不作赘述。
[0069] 通过前期的小批量的数据进行学习训练得到的初步的混合模型，然而这个混合模型在实际应用过程中仍然存在着训练样本不足的缺点。可以通过后期的医生专家收集上传运动障碍类型，对运动障碍的种类进行扩充，以实现混合模型的最优化。
[0070] 例如，新加入的运动障碍的运动数据与其它训练运动障碍一样，提取对应的特征，将该运动障碍的特征向量输入混合模型，得出判断结果，并与医生对该运动障碍类型的实际诊断结果后的标记进行判断，如果结果一致，将该类型运动障碍的特征向量加入混合模型进行重新训练，得到一个样本量更大的最优混合模型；如果结果与诊断结果不一致，根据该运动障碍点的高维空间位置对最优超平面进行轻微修正，使该运动障碍更接近于靠近诊断结果一侧，调整超平面形态与位置之后，联合整体样本集进行重新测试，评判该调整结果是否合理，如果出现了模型恶化，则放弃该调整，将超平面重置为原先的位置。
[0071] 本例通过准确率(Accuracy，Acc)、
精度(PreBision，Pre)、敏感性(Sensitivity，Sen)、特异性(Specificity，Spc)和约登指数(Youden.s Index，YI)来评价本例的混合模型的准确性，其中：
[0072] ACC＝(TP+TN)/(TP+FN+TN+FP)；
[0073] Pre＝TP/(TP+FP)；
[0074] Sen＝TP/(TP+FN)；
[0075] Spc＝TN/(TN+FP)；
[0076] YI＝Sen+Spc-1；
[0077] TP、FP、TN、FN分别为真阳性、
假阳性、真阴性和假阴性，其中正常人55例，ACL损伤患者51例。其中FN＝5；FP＝4；TN＝51；TP＝46。
[0078] 以混合模型区别正常人和ACL患者为例，将ACL患者的步态特征输入混合模型后，混合模型的准确度如下表所示。
[0079] 混合模型准确度参数
[0080] ACC Pre Sen Spc YI
混合模型 91.51％ 92.00％ 90.20％ 92.73％ 82.92％
[0081] 由上表可知，本例的混合模型能准确的将ACL患者与正常人区别开。
[0082] S6：采集受试者的平地步态数据和基本信息，并提取特征及将提取的特征输入最优混合模型，利用最优混合模型得到平地步态数据的运动障碍功能的分类及评判。
[0083] 本步骤中对受试者运动数据及基本信息的特征提取的具体过程请参考上述步骤S2，将提取的特征输入最优混合模型，利用最优混合模型得到受试者运动障碍功能的具体分类及评判，根据提取的特征通过混合模型可以直接给出受试者运动障碍功能类型，及对该运动障碍功能的评判结果。
[0084] 需要说明的是，由于本例由多种运动障碍功能的数据库，如，ACL损伤数据库、偏瘫数据库、骨关节炎数据库、半月板损伤数据库等其他类型数据库，而且，每种类型数据库都有一个相对应的混合模型，这样，针对某一受试者的运动步态数据进行测试时，可以直接判断出该受试者的膝关节运动存在哪一种或哪几种运动障碍，并对存在的运动障碍进行分值评判，以表时哪种运动障碍最为严重，从而，达到对膝关节相关运动障碍功能进行准确评判的目的。
[0085] 以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、
变形或替换。
