基于步态分析和确定学习的脊髓型颈椎病辅助诊断

作     者：代启航 

作者单位：山东大学 

学位级别：硕士

导师姓名：姬冰

授予年度：2023年

学科分类：1002[医学-临床医学] 08[工学] 100210[医学-外科学(含：普外、骨外、泌尿外、胸心外、神外、整形、烧伤、野战外)] 080203[工学-机械设计及理论] 0802[工学-机械工程] 10[医学] 

主      题：脊髓型颈椎病 步态采集 步态分析 确定学习 

摘      要：脊髓型颈椎病(Cervical Spondylotic Myelopathy,CSM)是导致颈椎脊髓功能障碍的主要原因,其早期症状表现为轻微的步态障碍,但随着CSM的进展,最终将导致严重的脊髓受压和麻痹。目前,临床影像学检查是CSM诊断的金标准,但静态成像方法难以充分描述颈椎的运动功能。此外,临床上CSM患者的运动功能评估依赖于主观评分量表,存在一定的局限性。为此,本文基于步态分析和确定学习理论,通过构建包含CSM患者和与CSM患者年龄匹配的健康对照组(Healthy Controls,HCs)的步态数据集,对CSM进行辅助诊断,主要工作内容包括:1、构建了一个包含45名CSM患者和45名HCs的步态数据集,弥补了 CSM患者和年龄匹配的HCs的步态数据集缺失的问题。首先,搭建并校准了基于光学运动捕捉系统的实验环境;其次,通过在受试者身上粘贴反光标记物,分别进行静态采集实验和运动采集实验;最后,对数据集进行步态周期截取、标注、插值和滤波等预处理操作。此外,本文还使用惯性运动捕捉系统采集了 33名CSM患者和31名HCs的步态数据信息,进一步丰富了数据集。2、对步态数据进行扩充并提取了步态特征,这在一定程度上解决了目前步态分析领域因经济和场地限制而导致的数据不足的问题。首先,提出了一种关于C3D数据的拼接方法,从数据结构层面对C3D数据进行拼接,增加连续的步态周期数目;其次,利用Visual3D软件,依据解剖学骨性标记完成对人体骨骼模型的构建;最后,应用人体骨骼模型对拼接后的C3D数据进行下肢运动学和动力学特征提取。3、提出了一种结合确定学习理论和提取特征的非线性动力学训练和识别模型,该模型在识别CSM患者和HCs方面取得了比常规机器学习方法更好的分类效果。首先,对步态特征依次进行数据滤波和数据归一化处理,并通过统计分析和临床医生的实证调查,提取了髋关节和膝关节在矢状面和冠状面的角度作为步态特征;其次,利用确定学习理论对CSM患者和HCs的非线性步态系统动力学进行建模和识别,将获取到的知识存储在恒定的径向基函数(Radial Basis Function,RBF)神经网络中,通过构建一个恒定RBF神经网络的动态估计器库,利用两组受试者之间步态系统动力学的差异来检测CSM;最后,采用二折交叉验证和留一法交叉验证在自我构建的步态数据集上评估所提出的方法的性能,分类准确率分别为94.44%和95.56%。综上所述,本文通过自我构建的数据集,在三维平面上对CSM患者和HCs进行了更加全面和深入的步态分析,并基于步态分析和确定学习提出了一种新的CSM辅助诊断方法。该方法使用了更少的输入特征,取得了更好的分类效果,具有一定的应用价值。