[发明专利]一种辅助筛查帕金森症的异常步态识别方法

说明书

技术领域

本发明涉及一种辅助筛查帕金森症的基于足底压力特征的异常步态识别方法。

背景技术

人的步行运动是一个精确而复杂的过程，其运动方式由中枢神经系统和反馈机制之间的动态相互作用所决定。一些老年疾病以及一些神经性疾病都会导致上述过程发生问题。人在行走过程中，中枢神经系统中产生运动意识的运动神经与下肢产生动作的肌肉之间存在一个信号传导通路，如果该通路存在运动信号传递障碍，其直接表征就是人的异常步态。老年人中常见的疾病，如帕金森症(Parkinson’s Disease)等，都会引发异常步态，因此基于异常步态可以对帕金森症等神经退行性疾病进行辅助筛查和检测。流行病学显示，帕金森症的患病率为15～328/10万人口，65岁以上人群患病率约1％，发病率为10～21/10万人口/年。其临床表现包括了运动过缓、肌强直、静止性震颤、步态异常、认知/精神异常、睡眠障碍、自主神经功能障碍、感觉障碍等。帕金森症病因及发病机制尚未明确，可能与社会因素、药物因素、患者因素等有关，对其进行早期筛查检测具有重要意义。虽然目前医学上有很多检测诊断的技术手段，如抽血化验、表面肌电图(Electromyography:EMG)信号分析、CT、核磁共振、基因测试、腰椎穿刺等，但是这些手段通常比较麻烦，并且都伴随一定程度的创伤。

正常步态的动力学特征，如足底压力、关节力矩等在步与步之间通常呈现出复杂的波动特性。而帕金森症患者的步态在足底压力的变化上与正常步态有着显著的差别，左右脚对应位置的足底压力呈现出明显的左右不对称性。无论是帕金森症患者还是健康人群，他们步态的动力学特性都具有复杂的非线性性质，这主要是因为人类动力学系统的非线性特征。帕金森症患者步态的动力学特性与健康正常人之间存在重要的差异。而如何对非线性步态系统动态进行建模，并基于这两类人群之间在步态系统动力学上的差异进行区分，以辅助筛查检测帕金森症，则缺少相应的研究，也是其中的难点问题。

异常步态的检测本质上可以看作是一个动态模式的辨识与识别问题，而动态模式识别本身就是模式识别领域的难题之一。在对径向基函数(RBF)神经网络的持续激励特性研究的基础上，C.Wang等提出了确定学习理论，其中包括对非线性动力学系统产生的动态模式的辨识、表达和快速识别方法，即通过确定学习获得动态模式内在系统动态的局部准确神经网络建模，把随时间变化的动态模式以时不变且空间分布的方式有效地表达，进一步利用动态模式内在的动力学拓扑相似给出动态模式之间的相似性定义，并提出了对动态模式进行快速识别的一套新方法。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种辅助筛查帕金森症的异常步态识别方法，为判别帕金森症患者的异常步态提供一种更为简洁准确的筛查检测方法。

本发明一种辅助筛查帕金森症的异常步态识别方法，包括以下步骤：

步骤1、通过足底压力传感器分别采集每个帕金森症患者和健康正常人的足底压力特征数据，构成一组步态特征变量，所采集的若干帕金森症患者和健康正常人的足底压力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帕金森症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、通过足底压力传感器分别采集每个待测帕金森症患者的足底压力特征数据，构成一组步态特征变量，采集的若干待测帕金森症患者的足底压力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帕金森症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，把待检测帕金森症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帕金森症患者的异常步态检测出来，实现对帕金森症的辅助检测。

进一步的，在步骤1和4中，采用步态分析数据库PhysioNet，通过放置在试验者鞋底的压力传感器来采集人体左右脚各8个对称位置的足底压力特征数据，选取其中差异最为明显的两组左右脚对称位置的足底压力特征数据，构成一组足底压力特征变量。