基于SSA\\|LSTM的膝关节置换术后步态机能评估方法研究

摘要：针对膝关节置换术患者的术后康复过程中需要由康复医师完成定量评估，但这种传统方法的诊疗效率低的问题，提出一种基于麻雀搜索算法＼|长短期记忆神经网络（SparrowSearchAlgorithm＼|LongShort＼|TermMemory，SSA＼|LSTM）的步态机能评估方法。该方法旨在通过高效、精确的量化评估，辅助康复医师更好地指导患者术后恢复。首先，提取了正常人和患者之间的步态时空参数，设计了回归评价指标；其次，利用麻雀搜索算法优化长短期记忆神经网络，构建了步态机能模型用于分析和评估。结果表明，相比传统回归模型，优化后模型的决定系数有所提升，平均绝对误差降低了25%，为膝关节置换术患者术后康复的步态分析提供了一种科学有效的量化评估方法。

关键词：麻雀搜索算法；长短期记忆神经网络；步态机能评估；膝关节置换术；时空步态参数；惯性测量单元

中图分类号：TP391文献标志码：A

0引言（Introduction）

晚期膝关节退行性病变患者在接受膝关节置换术（TotalKneeArthroplasty，TKA）后，需要康复医师指导患者开展步态训练，并在完成训练的同时对患者进行机能评定，从而调整患者在未来康复阶段的训练计划［1＼|3］。通常，采用美国膝关节协会（TheAmericanKneeSociety，AKS）［4］、Holden［4］和Fugl＼|Meyer［5］与步行功能量表能够更加全面地评估半膝关节置换术（UKA）患者和全膝关节置换术（TKA）患者在接受手术后的恢复情况，在一定程度上解决了康复程度评定的难题。

可穿戴设备能够更加精确地展现患者的量化信息，为其后续的治疗提供客观、准确和高效的判定依据。TAKEDA等［6］根据频谱特征获取加速度模式，优化了步态康复监测的过程，而TEDESCO等［7］在其研究的基础上进一步改进传感器件，提供了完整的生物力学的评估和膝关节活动度的定量评估。WHATLING等［8］针对膝关节置换术患者术后9～15个月的步态特征，观察其膝关节炎特征分类和变化情况。TAN等［9］基于步态事件，使用改进的LSTM对步态事件进行分类，在检测足跟接地和足尖离地等步态事件中表现出了良好的性能。

然而，利用可穿戴设备对膝关节置换术患者术后早期步态的评估目前仍然处于空白，尤其是针对患者时空步态参数的综合评定，尚缺少辅助评估方法。为了填补这一空白，本文提出了一种创新的方法，通过在足部安装惯性测量元件，精确地提取时空步态参数，并基于SSA＼|LSTM的步态机能评估模型，对患者步态时空参数进行回归评分，准确地捕获患者时空步态参数中的关键联系。实验结果表明，该方法实现了对患者早期康复阶段步态机能的高效评分，为医生提供了一种更加直观和高效的康复机能评估方法。

1实验设计（Experimentaldesign）

1.1实验装置

本文设计的实验装置实物图如图1所示，该装置由最小系统、惯性测量单元（InertialMeasurementElement，IMU）、电源模块、外壳和弹力魔术贴组成。传感器采用MPU＼|6050作为原始姿态角和平动加速度数据的来源；电源模块采用TP5400电源管理模块和轻型锂电池，实现了设备的循环使用。

1.2研究对象

实验中邀请了5名健康成年人参与数据集的收集实验，其中男性参与者3例，女性参与者2例，其基本信息如表1所示。同时，对2名接受了全膝关节置换术的患者进行跟踪观察，男性和女性各1例，其基本7197ea991e7538a90c5b6dd1dca496f7信息如表2所示。5名健康成年人作为2例患者的对照组，对照组的成员在接受实验前后的6个月内均未出现下肢骨骼、肌肉、神经性疾病等问题。

根据Brunnstrom康复阶段（BrunnstromRecoveryStage，BRS）分期对患者恢复阶段的划分方式［10］，对TKA患者进行重复测量，患者恢复周期为20天，分4次重点考察患者BRS的Ⅱ＼|Ⅴ阶段。TKA患者在测量期间未出现肌肉和神经性疾病等问题。本文实验获得朝阳县中心医院伦理委员会的正式批准，所有受试者均知情并同意进行实验，2例TKA患者在实验过程中均处于康复医师的指导和监护下。

1.3实验方法

实验流程如图2所示，受试者将设备通过弹力魔术贴固定在足背处。在进行实验之前，患者先站立保持静止，获取起始坐标位点，校准姿态角数据和平动加速度数据，同步本地时间戳。在正式实验环节，患者需从双脚并拢站立的位置出发，向前方行走10步，每走10步完成一轮实验并休息0.5min，同时重置IMU以减少零点漂移带来的累计误差。患者可根据需要，相应延长休息时间，每次实验重复测量20轮。

每轮实验完成后，实验设备将IMU采集的数据通过蓝牙以100Hz的频率发送给上位机，并由上位机对转角数据和加速度数据分别进行预处理和特征提取，最终由回归模型得出量化评估结果。本次实验总共收集步态数据2600份，其中健康成年人的步态数据1000份，BRSⅡ～BRSⅤ期患者的步态数据共计1600份。

1.4数据预处理

设备采集到的数据信息包含三轴姿态角（俯仰角PITCH、滚转角ROLL和偏航角YAW）及三轴平动加速度（ACC_X、ACC_Y、ACC_Z），采集期间受环境影响，数据会产生非周期性的异常值，因此需要对其进行滤除处理。

人在行进过程中，由于抖动等因素，导致加速度信号产生尖点，但是如果直接使用中值滤波，又会丢失加速度信号的细节特征。为此，本文提出一种改进的中值滤波，根据异常点所具备的特性，从原始信号中寻找异常值以确定滤波窗口，实现局部中值滤波，消除了异常值的干扰，并且保留了有效的局部细节，其计算公式如式（1）所示：

由图3和图4可知，滤波后加速度原本存在的异常尖峰被削减，进一步消除了震动干扰。同样，对转角数据和加速度数据采用改进局部中值滤波加二阶巴特沃斯滤波的综合滤波方法，将截止频率设置为15Hz。通过上述滤波方法，滤波后的数据变得更加贴近真实姿态信息，为后续特征的提取提供了可靠的数据来源。

2.1时空参数步态特征提取

每轮实验需要受试者行走10步，并对每轮采集到的数据进行步态周期划分。选定患者在足部中的俯仰角、Y轴平动加速度和Z轴平动加速度作为特征提取的信号；选定足跟接地这一步态关键帧作为相邻两个步态周期的步态关键帧。图5展示了转角信号中特征位点的分布情况，研究人员可以根据俯仰局部最大值和最小值确定整个步态周期中的两类步态事件，即足跟接地和足尖离地。

受试者在设备开始采集和结束采集数据的过程中，会有一定的静止时间和由站立到摆动的过渡阶段，因此在提取时空步态参数前，需要对上述过渡阶段的信号进行去除。由于受试者佩戴位置比较特殊，因此本研究基于传感器所在足背位置的转角和加速度数据进行时空步态参数的定义，确定时空参数分别为离地屈曲角（简称屈曲角）、足跟接地角（简称足跟角）、步态周期、步频、摆动相占比、支撑相占比、步长和抬脚高度。

其中：AB为屈曲角，P为俯仰角，n为该组数据中完整步态周期的次数，fmax为俯仰角局部极大值函数。

足跟接地角是指人在行进过程中触发足跟接地这一步态事件时，该侧足部与地面正方向的夹角，通常反映膝关节在步态动作中的伸直程度。同理，在产生足跟接地步态事件时，足部与地面的夹角刚好对应图4中圆形标点的局部最小值。

其中：HA表示足跟角，fmin为俯仰角极小值函数。

步态周期是指人的同一条腿在先后两次发生相同步态事件的间隔。步频是指人步行1min内单腿产生的步态周期次数。本文选定足跟接地这一步态事件作为判定步态周期的节点，步态周期和步频如公式（4）所示：

摆动相是指人足部离开地面到接触地面时的状态。支撑相是指人足部接触地面到离开地面时的状态。一个完整的步态周期可划分为支撑相和摆动相。二者由足跟接地和足尖离地这两类步态事件分割，其计算公式分别为

空间参数中的步长和抬脚高度能够从间接的角度反映人的膝关节活动机能。采用平动加速度数据可测量受试者在行进过程中的步速、步长等信息，本文对步长和抬脚高度的提取分别采用了Y轴平动加速度信号和Z轴平动加速度信号。

步长是指人同侧足部相邻两次相同步态事件间，该足部产生的位移。对加速度信号进行二重积分，即可获得步长和抬脚高度，计算公式如下：

step=〖SX（〗g·AX〖〗LSB〖SX）〗dt-Δ[JZ）][JY]（6）

其中：step表示步长；g表示重力常量，取值为9.8m/s2；LSB表示加速度传感器的精度，由于设定量程为±2g，因此精度则取到16384；AX表示X轴加速度信号；Δ表示偏差补偿，用于去除使用离散积分时产生的累计误差。

抬脚高度是指人在行进过程中足部离开地面的垂直最大高度。同理，抬脚高度的计算公式如公式（7）所示：

height=〖SX（〗g·|AZ|〖〗LSB〖SX）〗dt-Δ[JZ）][JY]（7）

其中：height表示抬脚高度，反映单腿在行进过程中离开地面最大的高度；|AZ|表示Z轴正向加速度信号。

2.2基于SSA＼|LSTM的回归分析方法

在LSTM神经网络中，超参数的大小（隐藏的单元数、学习率、循环回合数及批次大小）均会影响模型的性能，由于本研究的训练数据是小样本，所以只选取隐藏的单元数和循环回合数作为被调节的超参数，将LSTM神经网络中的最优超参数视为二维空间中使得模型的R2最高和误差最低的最优解。为提升模型的预测精度，本文提出一种基于麻雀搜索算法（SparowSearchAlgorithm，SSA）和长短期记忆（LongShort＼|TermMemory，LSTM）神经网络的步态机能评估方法，用于对上述时空参数进行评分估计。本模型以上述8类时空参数作为基本输入，输出分值介于1到5，如表3所示，所得分值与根据临床医学中改进AKS膝关节功能量表［11］的评分意义相同。

麻雀搜索算法是根据麻雀觅食并逃避捕食者的行为而提出的一种基于发现者和跟随者的群智能优化算法，并且叠加了侦查预警机制，具有寻优能力强、收敛速度快的优点［12］。超参数的个数为待优化的变量的维度d，假设麻雀的数量为n，则由n只麻雀组成的种群，可以表示为如下形式：

本文对比并分析了多种不同的回归方法对不同患者的步态数据和医生评分数据，数据集中的训练集占比为80%，测试集的占比为20%，模型性能对比结果如表4所示。

从表4中的数据可知，传统回归方法（线性回归、多项式回归、岭回归）有着较高的R2（≥0.95），较低的误差（MAE＜0.25）以及较低的百分比平均绝对误差（MAPE≈10%）。然而对比传统的回归方法，广义线性回归、最小绝对值收敛和选择算子算法（LeastAbsoluteShrinkageAndSelectionOperator，LASSO）回归、支持向量回归、决策树、随机森林和极致梯度提升树均保持了较好的R2和平均绝对误差，后三者的平均绝对误差均小于0.02，但是百分比平均绝对误差大幅上升，模型的稳定性不够。

基于神经网络的方法具备良好的拓展性和预测准确度，虽然在R2和MAE方面均不及反向传播（BackPropagation，BP）神经网络和卷积神经网络（ConvolutionalNeuralNetworks，CNN），但是其性能会随着患者数据量的不断积累而不断增强。在神经网络中，相比于上述两类方法，LSTM神经网络拥有最高的R2和最低的平均绝对误差和百分比平均绝对误差。SSA＼|LSTM虽然会增大百分比绝对平均误差，但是训练集和测试集的R2分别提升了3.41%和7.23%，平均绝对误差减少了25.00%，这也从另一方面提升了模型的鲁棒性，其评分也更加符合患者在不同BRS分期对应的康复效果。

4结论（Conclusion）

本文提出了一种膝关节置换术后步态机能评估方法。该方法通过基于IMU的可穿戴实验设备收集人体步态数据，并对转角和加速度数据设计了改进中值滤波以消除干扰，提取出8类时空步态参数。在此基础上，提出了基于SSA＼|LSTM的步态机能评估模型，通过与其他模型进行对比发现，本文模型的预测精度有所提升，与医生评分数据更加吻合。该方法能对不同康复周期的患者状态进行有效评估，为康复训练评定提供了科学依据，具有重要的实践意义。

然而，受当前样本数量的限制，模型在百分比平均绝对误差方面仍存在一定的提升空间。未来，我们将通过扩大样本规模、优化数据处理算法以及进一步调整模型参数等措施，持续完善该评估方法，以期达到更高的评估精度和更广泛的应用范围。

参考文献（References）

［1］[ZK（#]KAMENOVK，MILLSJA，CHATTERJIS，etal.Needsandunmetneedsforrehabilitationservices：ascopingrev_{aa4967dde2957d5a631bf35fc522e529}iew［J］.Disabilityandrehabilitation，2019，41（10）：1227＼|1237.

［2］GUPTAN，CASTILLO＼|LABORDEC，LANDRYMD.Health＼|relatedrehabilitationservices：assessingtheglobalsupplyofandneedforhumanresources［J］.BMChealthservicesresearch，2011，11：276.

［3］廖秋姣，唐爱合，林小珍，等.早期功能锻炼运用于全膝关节置换术的研究进展［J］.中国医药导报，2024，21（4）：30＼|34.