基于SVM的偏瘫患者异常步态识别与临床康复辅助诊断系统

王全坤 郭冰菁,2* 尤爱民 韩建海,2 刘庆祥

1(河南科技大学机电工程学院 河南 洛阳 471003)

2(河南省机器人与智能系统重点实验室 河南 洛阳 471003)

3(河南科技大学第一附属医院康复科 河南 洛阳 471003)

0 引 言

步态识别是如今非接触式生物特征识别领域的热门研究方向之一,根据人在运动时的运动姿态可用于身份识别、动作识别、体育训练运动姿态评估和康复治疗步态诊断等[1]。其中异常步态的识别作为康复医学领域的一个重要组成部分,相比于传统医师诊断具有一致性高、识别速度快、对患者造成的干扰小的特点,很大程度上改善了临床治疗中对患者康复程度的跟踪手段,加快治疗方案调整过程。

近年来,国内外的研究人员研制出的步态识别系统,从步态数据的获取方式上大体可以分为三类,第一类是通过视觉系统采集图像数据,如kinect、英国Vicon公司的光学运动捕捉系统等[2];第二类是通过肌电传感器获取电生物信号,如肌电或脑电[3];第三类是通过物理传感器采集人体运动学和动力学数据,如惯性测量单元、加速度传感器、足底压力传感器和三维测力平台电子步道系统等[4]。视觉系统采集图像数据的方式,虽然提取的步态信息具有全面性,但是价格昂贵、对测试场地的要求高。肌电传感器获取电生物信号存在信号微弱、信噪比低、非线性、易受外界干扰等问题,导致分类精度较低,同时传感器的位置选择及穿戴过程需要专业人员辅助,准备时间较长。物理传感器可采集人体运动过程中肢体的位置、速度、角度、加速度等信息,对场地的要求小,患者穿戴方便。

临床上对于步态的分析主要有定性分析、定量分析两大类[5-7]。步态的定性分析是评定者以目测观察患者的行走过程,通过与正常的步态进行对比并结合病理步态的特点从而做出步态分析的定性研究。常用的定性分析法是由评定者对患者进行测试后,根据定性或半定量量表(如Brunnstrom偏瘫步态分析评定表、美国Rancho Los Amigo医院设计的RLA步态观察分析表等)进行评分、分析。步态的定量分析是评定者借助器械或专门设备对步态进行运动学和动力学的分析,运动学常见的方法有足印法、电子步垫等,动力学常见的方法有测力平台、表面肌电图。传统的步态评估方式主要是凭借医师或医护人员多年的临床经验来判断,具有主观性,或是借助专门的器械,给患者造成诸多不便,而且实现起来烦琐,给医护人员增加额外的工作量[8]。综上所述,偏瘫患者异常步态通常由多关节运动功能障碍导致,正确识别能够尽快确定治疗方案,多种异常步态的细分是在当前偏瘫步态研究基础上应该进一步深入研究的问题。因此能够实现集成步态数据采集、异常步态识别、虚拟康复训练、临床康复辅助诊断于一体的计算机系统,将为康复治疗过程的动态监控与诊疗提供自动化模式。

本文提出的基于传感器网络的异常步态识别诊断系统,从人体的运动学特点出发,以方便、舒适、非侵扰为设计理念,探索异常步态细分识别方法。基于连续的步态时空参数易采集、易处理、信息全面的特点,提出特征提取方法,选择最优化决策融合模型进行正常患者和偏瘫患者的区分,细分出典型的偏瘫异常步态,结合临床康复辅助诊断系统,实现偏瘫患者步态的初步诊断,结合基于虚拟现实的康复训练系统,实现康复过程的动态诊断。

1 步态监测与识别系统

所研发的临床康复及诊断系统包括步态时空参数检测模块、数据通信模块、虚拟康复训练系统、步态识别算法及诊断报告系统,如图1所示。

图1 系统结构框图

实现异常步态识别和临床康复辅助诊断的流程为：患者按照要求穿戴好由IMU(惯性测量单元)传感器网络组成的数据采集系统,在医生的指导下完成下肢信息的采集,医生可以在虚拟场景实时观察患者的行走状态,在数据采集完成后由系统内置步态识别算法进行初步的辅助诊断及报告生成。

系统中全身穿戴式设备IMU是由三个单轴的加速度计和三个单轴的陀螺仪组成的,加速度计是检测物体在载体坐标系下的三轴的加速度信号,陀螺仪是检测载体相对于导航坐标系的角速度信号,通过多个测点集成测试肢体在三维空间中的角速度和加速度信号,由此解算出下肢姿态,具有体积小、质量轻、功耗低、工作频带宽的优点。下肢运动采集的数据传输方式是通过2.4 G蓝牙无线连接,数据刷新率可达到500 Hz,无线传输距离可达30 m,具有精准、稳定、不受场地限制、低延时、抗干扰能力强等特点。

虚拟现实系统是一种可以创建和体验虚拟世界的计算机系统,通过视、听、触等作用于用户,让用户产生身临其境感觉的交互式视景仿真,是一种多源信息融合的、交互式的三维动态视景和实体行为的系统[9]。所设计的虚拟现实康复训练及诊断系统包括康复训练场景、步态数据动态采集、诊断报告生成。步态数据动态采集界面如图2所示,其中实时步态动画基于Unity3D平台开发,Unity3D是一个可以进行实时3D互动内容创作和运营平台,进行3D模型、游戏制作的专业游戏引擎[10]。将制作好的人物模型导入到创建好的虚拟场景之中,利用Unity3D中的动画系统Avatar进行人物的骨骼模型绑定,实现人体动作的实时跟踪。IMU传感器所获取的步态数据为四元数格式,通过数据处理算法转换为关节角度数据,成为步态特征提取算法的数据基础。

图2 步态数据动态采集界面

2 异常步态识别方法

2.1 特征提取

1) 关节角度数据处理算法。IMU传感器获取的数据是各个节点的四元数数据,本文采用的是关节角度数据,所以需要将四元数的数据变换成欧拉角。

四元数(Quaternions)有效地用于三维空间中旋转姿态的表示。四元数是简单的超复数,定义如式(1)所示。

q=w+xi+yj+zk

(1)

式中：w为实部,xi+yj+zk为虚部,w、x、y、z为实数,若x=y=z=0,则q为实数。

人体下肢髋关节通常为2个自由度、膝关节为1个自由度、踝关节为3个自由度,根据人体下肢关节坐标系定义[11]可知,需要将传感器的四元数数据转换为矢状面、冠状面和垂直面内的关节角度。因此设计数据转换,如式(2)所示,将四元数数据转换为欧拉角表示,最终提取出人体坐标系中的关节角度。

四元数转换成欧拉角：

(2)

式中：φ、θ、ψ分别表示绕x、y、z轴旋转角度,对应人体坐标系的横断面状面内关节旋转角度、矢状面内关节旋转角度、水平面内关节旋转角度。

(3)

以采集的一位身高175 cm、体重80 kg～90 kg左右的健康男性的原始步态数据为例,通过式(3)得到矢状面内左髋和左膝关节角度数据,如图3所示。

图3 滤波前后步态数据

由图3可知,滑动均值滤波算法能够在保证原有数据特征的基础下,提高曲线的平滑度,获得稳定的特征点,便于后续步态周期的划分。

2) 数据滤波算法。由图3中髋、膝关节原始数据曲线可看出,测得的步态数据,受到环境因素、传感器的性能、电磁干扰、机械振动等各种因素的影响,在下肢关节运动方向发生变化时存在有较大的噪声,故采取了滑动均值滤波的方式进行滤波处理,滑动平均滤波算法中选取队列长度为20个采样点。

3) 步态周期划分。步态时空参数中的步态周期对于步态识别非常重要,从连续运动数据中需要准确地确定各患者的步态周期。步态划分常见的有两种方法分别是基于帧分割和基于周期分割[12]。基于帧分割又叫作基于固定滑动窗口的分割,其基本原理就是按照固定数据的长度进行周期的划分。方法实现简单,虽然该方法具有很好的实时性,但却不能很好反映步态模式引起的时间变化问题。基于周期分割的方法是以步态周期为基础,能够体现出步态数据隐藏生物特征。

从图3中可以看出,人在正常直立行走的状态下,人体下肢髋、膝关节的运动角度的曲线和周期性变化的正弦曲线相似,左右腿交替向前,其中之间的步态间隔相差半个步态周期,膝关节运动变化是跟随髋关节的变化,在同一个步态周期中的髋膝关节的运动步调是一致的,也就是说同一条腿的髋膝关节步态周期是相同的。因此可以选择选取髋关节的每个步态周期的极小值点来进行周期的划分,将选取的极小值点定义为周期的分割点,两个分割点之间的时间即为一个步态周期[13]。因此将滤波之后的每个步态周期的极小值点进行标记,对步态周期的开始和结束部分可能会产生干扰的点进行剔除,标记后的髋关节步态周期的分割点如图4所示。

图4 步态周期划分

4) 步态特征提取与归一化预处理。脑卒中偏瘫患者在步行过程中常常会出现髋关节外展外旋,膝关节反张,足下垂、内翻,划圈等异常姿势,临床上将其称之为偏瘫步态。正常步态与偏瘫步态的最直接区分特征是双下肢步态对称性,偏瘫步态的细分需要考虑典型关节特征。如划圈步态的生理原因是股四头肌痉挛,膝关节屈曲困难即膝僵直,支撑相晚期和摆动初期,膝关节屈曲<40°(正常60°)。因此步态特征提取需要根据康复医学找出特征[14]。将人体下肢相邻关节坐标系的原点连接为向量,可通过对双侧下肢的5个向量的相对姿态准确刻画出下肢的步态特征,如图5所示。

图5 下肢步态特征向量

脑卒中偏瘫的发病机理是由于病人的患肢侧臀部摆成半圆,骨盆向上倾斜。由于股四头肌活动不当,导致膝盖过度伸展。僵硬的膝盖会抑制腿部的向前行进,并导致患者在承受身体重量时无法进行减震性的膝关节屈曲。偏瘫患者的代偿运动还会导致步行速度降低、站立时间缩短、患肢摆动时间增加。

本文中仅以膝关节异常为例,定义如下两个特征值：

(1) 左膝最大角度与右膝最大角度之商：

(2) 右膝最大和最小角度之差：

特征值xi用于对划圈步态进行特征识别,特征值yi用于对膝过伸步态进行特征识别,构建2维特征子空间,由于yi的特征值的值域空间不同,所以需要归一化处理,将特征值域规范到0到1之间。归一化是进行数据处理的基础工作之一,如若未考虑到不同量纲及量纲单位的评价体系,必然会导致数据的分析偏离真实的情况。特征的归一化最主要目的就是消除身高差异对时空参数造成的影响,使获取的特征数据变成相对值的关系,是一种无量纲的处理手段,能够简化计算,缩小量值。标准化的公式是：

2.2 步态识别算法

在异常步态识别的过程中,最重要的还是分类模型的创立与选择。本文选择三种分类器：支持向量机、K近邻、线性判别分析。采用模型评估方法,进行分类精度的比较,选出更优的分类器。步态识别算法流程如图6所示。

图6中步态识别算法分别采用了三种分类器进行尝试,如下：

1) 支持向量机。支持向量机是按照监督学习的方式针对二分类的任务设计的一种泛化性能很强的分类器,建立在统计学习理论的VC(Vapnik-Chervonenkis Dimension)(统计学理论上定义有关函数集学习性能的一个重要指标)维理论和结构风险最小原理基础上,主要用于解决小样本、非线性及高维模式识别问题[15]。

由于人在行走时的异常步态种类繁多,因此对于异常步态的识别属于多分类问题。本文采用支持向量机(SVM)的分类方法,对划圈、膝过伸、正常步态进行识别,故需要构建三个二类SVM分类器,训练某种步态分类器时,将其标识为+1,其余的标记为-1。

对于二分类学习最基本的思想就是基于训练集D在样本中间寻找一个“正中间”最优划分的超平面,该超平面对于训练样本局部扰动的“容忍性”最好,即该超平面所产生的结果是最鲁棒的,对于未见示例的泛化性能最强。

所以定义如下的拉格朗日函数：

式中：αi>0为拉格朗日系数。对w和b求拉格朗日函数的极小值。得到最优分类函数为：

面对线性问题,核函数K(xi,x)就是两向量的点积运算;面对非线性情形,需要将样本的原始空间映射一个高维的,使样本在这个特征空间内线性可分,然后在这个新的特征空间中寻找一个最优的划分超平面,这种非线性变换是通过定义不同的核函数来实现的。目前常用的核函数主要有线性核、多项式核、高斯核等。

2) K近邻(KNN)。K近邻(KNN)是一种常用的监督学习的方法,给定测试样本,基于某种距离度量找出训练集中与其最靠近的k个训练样本,基于这k个“邻居”的信息来进行预测[16]。通常在分类中可使用“投票法”,选择这k个样本中出现最多的类别标记作为预测的结果。

3) 线性判别分析(LDA)。线性判别分析(LDA)是一种经典的线性学习方法,给定训练样例集,设法将样例投影到一条直线上,使同类的样例投影点尽可能接近、异类样例的投影点尽可能远离,对新样本进行分类时,同样将其投影到这条直线上,再根据其投影点的位置再来确定新的样本的类别。

3 临床步行对照试验

3.1 受试者分组

本次临床试验一共招募了10位病况病程不同的脑卒中偏瘫患者作为研究组,这些患者均来自河南科技大学第一附属医院康复科。同时选择5名健康志愿者作为对照组。因为要实地进行临床步行试验,所以要求每位参加临床步行试验受试者具有一定程度的步行运动能力。在试验之前,已经向每位受试者告知了本试验的研究目的及其测试的步骤,并均已征得了本人的同意,采取自愿参加的形式,试验全程均在专业医生指导下进行。受试者的入选标准如下：

1) 研究组入选标准。

(1) 一侧脑梗死或脑出血,首次发病,病程大于1个月,经颅脑CT或MRI证实为大脑半球病变;(2) 年龄20～75岁;(3) 能独立行走至少10 m;(4) 听觉理解能力基本正常,能配合检查和完成试验;(5) 无其他已确诊的影响步行功能的疾病;(6) 对本试验知情,并签署知情同意书。

2) 对照组入选标准。

(1) 身体健康,无肌肉、骨骼疾患,无神经疾患;(2) 年龄20～75岁;(3) 对本试验知情,并签署知情同意书。

3.2 临床试验流程

以支持向量机算法来构建试验流程如图7所示,构建的异常步态分类模型属于二分类问题,由于要识别三种步态：两种异常步态,一种正常步态。所以需要构建三个分类器,首先进行临床数据的采集,将采集到的数据进行整理分析,用选择好的分类器将步态进行划分。

步行试验流程：

1) 提前将试验的全部流程告知所有受试者,方便受试者的配合和试验的进行。

2) 将IMU传感器按照要求佩戴在受试者的身上,然后调整好每个绑带的松紧度和位置,确保各传感器能处在标准的位置不会脱落;患者穿戴好后,进行姿态的校准,保证模型精度;校准完成后,在医生的监督下,开始以自然的步速行走;在走完10 m的步态分析走道后立刻停止行走,关闭软件的数据采集系统。

3.3 数据集评估与划分

在临床试验中,针对每一位受试者,提取出5个包含有完整周期的数据样本。从15位受试者的步行试验中共提取75组步态周期的数据作为数据集。考虑到当前的医疗环境和临床试验条件,想要采集到非常充足的数据来训练一个异常步态分类器,仍然是非常困难的。因此针对有限的小样本数据有效性评估问题,本文采取了支持向量机的异常步态识别方法。支持向量机算法是一种小样本机器学习理论与方法,不仅有严谨的数学理论基础,而且具有直观的几何解释和数学形式。采用结构风险最小化的原理,除了与经验风险有关,主要与拟合函数的复杂度有关,最终决策函数由少数的支持向量所确定,计算的复杂性取决于支持向量的数目,而不是样本空间的维数,这在某种意义上避免了“维数灾难”,是一种完善的小样本下数据挖掘的工具和方法。此分类方法适用于由于患者行动能力有限而导致的诊断前能获取的样本数量有限的样本特性。因此,对应提取的75组步态数据,将训练测试比例设置为4∶1,训练集用于分类器的建立,筛选出最合适的步态分类器,并采用交叉验证的方法来进行模型的验证。

3.4 异常步态识别结果分析

在训练集上应用三种分类器：支持向量机、K近邻、线性判别分析。在测试集上验证三种分类器的分类精度如图8所示,平均分类精度如表1所示。

表1 平均分类精度

图8 分类器分类精度

针对不同的步态,所选三种分类器的分类精度不尽相同,其中平均准确率最高的分类器是多项式核的SVM,SVM是非线性的分类器,在面对采集到的人体下肢复杂非平稳信号时,非线性分类器的分类性能往往优于线性分类器,如线性判别分析(LDA),但是非线性的分类器也不是在每种异常步态分类上都能优于线性分类器,对于不同异常步态分类,获得最佳分类精度的模型也有所不同,如在划圈步态上线性判别分析(LDA)还优于线性核SVM。由于选择的代价函数的相互补偿和样本特性等因素的影响,没有哪种算法会在所有的数据上都获得最好的分类精度,从目前所采用的多种分类方法中仅基于膝关节运动的两个特征值所构成的特征空间,多项式核的SVM分类方法在偏瘫患者膝关节功能异常导致的异常步态识别中平均分类精度最高,验证了对偏瘫步态特征提取和异常步态细分的有效性。由于偏瘫患者的患侧肢通常存在多关节运动障碍,导致异常步态细分存在较大难度,通过增加步态特征值,提取异常步态相关性强的特征值,建立更加全面的特征空间,以及核函数的优化将进一步提高识别准确率,为辅助诊断提供科学、准确的依据。

4 结 语

本文从人体的运动学特点出发,借助传感器网络进行人体运动数据采集,针对偏瘫患者的异常步态特征提取和分类问题进行深入的研究,提出一种基于多项式核函数的SVM偏瘫患者异常步态识别方法,实现偏瘫患者异常步态的细分。通过临床试验所招募的15位志愿者,采集连续的步态时空参数数据,依据所提出的步态特征向量化描述方法,提取下肢步态特征,对比多种机器学习方法进行分类模型创建,以膝关节功能障碍为例,验证了异常步态的细分能力,得出临床康复诊断结果,结合康复训练虚拟现实系统,实现康复过程的动态诊断。