脑卒中患者异常步态的识别分类技术

Recognition and Classification Technology of Abnormal Gait in Stroke Patients

摘要: 本文主要介绍了脑卒中患者异常步态的识别分类技术。其中详细介绍了基于可穿戴传感器和基于摄像头的步态识别技术，包括加速度计、陀螺仪、压力传感器和摄像头等相关技术。同时，介绍了基于机器学习的步态识别技术，包括特征提取和分类算法方面。最后讨论了步态识别技术的局限性和未来发展方向，包括技术局限性、研究挑战和未来发展方向等方面。本文旨在为脑卒中康复领域的研究者提供技术支持和发展方向的参考。

Abstract: This paper mainly introduces the recognition and classification techniques for abnormal gait of stroke patients. It details wearable sensor-based and camera-based gait recognition techniques, including technologies such as accelerometers, gyroscopes, pressure sensors, and cameras. Additionally, it introduces machine learning-based gait recognition techniques, including feature extraction and classification algorithms. Finally, the limitations and future development directions of gait recognition technology are discussed, including technological limitations, research challenges, and future development directions. This paper aims to provide technical support and development directions for researchers in the field of stroke rehabilitation.

1. 引言

脑卒中是一种常见的神经系统疾病，患者可能出现肢体瘫痪、言语障碍、认知障碍和步态异常等症状，其中步态异常是患者康复后期常见的康复问题之一。对患者的生活质量和康复治疗效果有着很大的影响。异常步态会影响患者的生活质量和社交功能，也会增加患者的跌倒和受伤风险。因此，准确识别和监测患者的步态异常情况，对于康复治疗的效果具有重要意义。

步行是人类的一项基本活动，需要肌肉、大脑和神经的共同作用。步态是指通过步行实现的循环运动。这包括手臂、腿、臀部、脚和四肢的运动 [1] 。步态识别应用广泛，主要分为两类，一种在临床方面对于正常步态和异常步态的识别。另一种是在国防和生物认证方面对于个人身份的鉴定 [2] 。脑卒中患者异常步态的识别属于前者中的病理性的异常步态的识别。

步行能力可以反映脑卒中后病情严重程度，识别其步态状态可以定量定性脑卒中康复程度。随着步态识别的深入研究，步态识别技术已经相对成熟。有些研究者开始针对特定病症步态进行应用研究。比如脑卒中异常步态。励建安等 [3] 针对脑卒中的异常步态进行研究分析并给出相应治疗对策。赵军等 [4] 通过研究脑卒中偏瘫患者的步态特点，发现其步态特点主要与步速、步态周期、双腿支撑期比例、单腿支撑期的比例相关。在目前的异常步态数据采集方式中，基于可穿戴传感器的步态数据采集系统价格便宜且可实现多种数据采集，多数研究者使用基于可穿戴传感器的系统进行步态数据采集。设计时可以将加速度计 [5] 和陀螺仪 [6] 、压力传感器 [7] 等传感器进行组合使用 [8] 。还有使用深度摄像头等通过非接触式的异常步态识别方法进行人体骨骼特征点提取 [9] 。随着人工智能的发展，深度学习算法也被应用到异常步态识别当中。比如生成对抗网络(GAN) [10] 等。

针对脑卒中异常步态的识别研究，下面本文将从基于可穿戴传感器的步态识别技术、基于摄像头的步态识别技术、基于机器学习的步态识别分类技术这三个方面分别进行综述。

2. 基于可穿戴传感器的步态识别技术

2.1. 加速度计和陀螺仪

加速度计和陀螺仪是常用的可穿戴传感器，可以通过检测身体的加速度和角速度来获取步态信息 [11] 。加速度计主要用于测量身体的加速度，可以检测步态周期、步长和步速等信息；而陀螺仪则主要用于测量身体的角速度，可以检测身体的旋转和姿态等信息。这两种传感器可以结合使用，从而获得更加准确和完整的步态信息 [12] 。此外，由于加速度计和陀螺仪都非常小巧，因此可以集成在智能手机、手表、鞋垫等可穿戴设备中，方便患者佩戴和使用。

2.1.1. 技术原理

加速度计是一种通过测量物体加速度来确定其位置、速度和方向的设备。加速度计由一个质量和一个可测量加速度的力传感器组成。当物体受到加速度作用时，该传感器会测量产生的力，并将其转换为电信号。这个信号可以被数字信号处理器(DSP)或微控制器(MCU)采集和处理。相较于其他传感器中，加速度计的能耗最低，平均为几十微瓦。由于加速度计还能测量重力，因此可以很好地用于绝对定向检测和步态相位的零速更新 [13] 。另一方面，线性位移计算需要对加速度计输出信号进行双重积分。物理传感器的非线性会导致偏差误差，如果不通过适当的零速更新或其他方法进行补偿，这种误差将迅速累积，成为精确航位推算运动跟踪的主要障碍。有限的采样率也会导致运动测量误差与快速运动的速度和持续时间成比例。现代加速度计提供了高达1 kHz的采样率，这超过了大多数步态分析实验研究所使用的测量速率 [14] 。

陀螺仪则是一种测量物体旋转速率的传感器。其工作原理是通过测量旋转轴周围的角速度来检测物体的旋转。在旋转过程中，陀螺仪会产生电信号，这个信号也可以被数字信号处理器(DSP)或微控制器(MCU)采集和处理。陀螺仪基于科里奥利原理工作，其中基于线性运动来测量角动量 [15] 。现代陀螺仪的典型分辨率和采样率与加速度计相似，能耗高一个数量级。陀螺仪传感器可以放置在人体的不同部位，如脚、踝、膝和腰部，从而识别人的姿势和步态阶段 [16] 。与加速度计相比，陀螺仪的优点是偏差漂移更小，对冲击和重力场影响的测量不敏感。

2.1.2. 应用

Figure 1. Schematic diagram of triaxial accelerometer

图1. 三轴加速度计示意图

Kijima等人 [17] 研究使用如图1三轴加速度计分析了86名脑卒中患者和21名健康人的步态表现，结果表明基于加速度的步态分析有助于步态独立性评估，并且是脑卒中患者康复期间的有用工具。东京工业大学的一项研究 [18] 将加速度计和陀螺仪绑在人的小腿上进行步态估计，结果显示基于小腿的加速度计和陀螺仪系统可以准确地反映许多空间步态参数，包括步幅速度。Minsu Song等人 [19] 提出了一种基于单个传感器(如图2)的简单分类算法，该算法对三个主要步态活动进行了分类：水平步行，坡道步行和楼梯步行。结果分类准确度都比较高。

Figure 2. Single sensor placed on the shoe

图2. 单传感器放置在鞋上

这些的应用都采用了加速度计和陀螺仪这种传感器技术，用于监测脑卒中患者的步态异常，帮助康复治疗师进行评估和训练监控。

2.1.3. 优缺点分析

基于加速度计和陀螺仪的步态识别的优缺点如表1所示。

Table 1. Advantages and disadvantages of accelerometers and gyroscopes

表1. 加速度计和陀螺仪的优缺点

总体来看，加速度计和陀螺仪作为常用的传感器，已经被广泛应用于步态识别领域。这些传感器能够提供丰富的数据信息，帮助研究者们准确地分析和识别脑卒中患者的步态异常情况，为康复治疗提供更加科学的依据。

2.2. 压力传感器

2.2.1. 技术原理

压力传感器通过测量受力物体的弯曲或形变程度，来间接测量受力物体受到的压力大小。压力传感器在步态识别中主要应用于测量双脚接触地面的压力变化。通过记录脚底压力变化的规律，可以得出患者的步态状态信息 [20] 。

常见的压力传感器包括电阻式压力传感器和电容式压力传感器。其中，电阻式压力传感器将压力通过变形导致的电阻变化来转换为电信号 [21] ，电容式压力传感器则将压力转化为电容值大小的变化来记录数据 [22] 。在步态识别技术中，通常会将压力传感器贴在患者的鞋垫或地面上，通过记录双脚接触地面时的压力变化，来推断出患者的步态状态信息。

2.2.2. 应用

研究表明，通过测量脚底的压力分布，可以识别步态异常，并监测脚底支撑的力量、平衡度和稳定性等因素。在脑卒中康复中，压力传感器被广泛应用于步态异常的监测和康复评估。Wang，M等人研究 [23] 通过利用压力传感器(如图3)测量脚底的压力分布，探索了脑卒中患者的步态特征和分类识别。该文提出一种压力感测图像的步态识别算法，可以在压力图像中准确定位足迹以进行特征提取，平均准确率为91.4%。

V Bučinskas等人 [24] 通过将压力传感器安装于鞋内(如图4)来对异常步态进行检测，检测准确率达到94%，测量的足部压力分布可以分析步态的主要特征，包括步进节奏、步长、足跟和足部之间的重量分布以及步态阶段的时间。通过这种方式，可以在早期预测跌倒或避免步态不协调并警告对象或帮助同伴。MO Mario等人 [25] 介绍了一种基于鞋垫压力传感器的步态分析方法，通过采集14名中风幸存者和10名健康对照者的步态数据，研究得到步行策略并提供有关步态质量的反馈，使脑卒中患者能够自我管理其康复情况。

Figure 3. People walk on the pressure sensor mat

图3. 人行走在压力传感器垫子上

Figure 4. Install the pressure sensor in the shoe

图4. 将压力传感器安装在鞋内

用于对异常步态检测的压力传感器正在朝着简单经济环保的方向发展，可以说灵活且可穿戴的压力传感器对于个性化医疗的发展至关重要。Lei Gao等人 [26] 通过一种简便、经济高效且环保的方法开发了一种全纸基压阻式(APBP)压力传感器(如图5)。包括1.5 kPa⁻¹ (0.03~30.2 kPa)的高灵敏度、超低能耗(~10⁻⁸ W)、低工作电压(0.1 V)、和快速响应时间(90毫秒)的优异性能将在异常步态识别上发挥重要作用。

Figure 5. Low cost all paper based piezoresistive (APBP) pressure sensor

图5. 低成本全纸基压阻式(APBP)压力传感器

除了在步态异常监测和识别方面的应用，压力传感器还可以用于康复训练中。一项研究中，Hu，Jie等人 [27] 设计了一种基于压力传感器的步态训练系统，用于提高患者的下肢平衡和步态稳定性。研究结果表明，该系统能够有效提高患者的步态稳定性和平衡度，并且在步态能力恢复方面取得了良好的效果。

压力传感器作为一种可靠的步态监测和识别技术，已经被广泛应用于脑卒中康复中。未来，随着传感器技术的不断发展，压力传感器还有望在步态恢复训练和康复评估等方面发挥更大的作用。

2.2.3. 优缺点分析

基于压力传感器的步态识别的优缺点如表2所示。

Table 2. Advantages and disadvantages of pressure sensor

表2. 压力传感器的优缺点

3. 基于摄像头的步态识别技术

3.1. 技术原理

基于摄像头的步态识别技术是通过对运动的视频进行分析来获得运动信息的方法。其技术原理是利用计算机视觉技术对视频中的人体运动进行提取，包括姿态、动作轨迹、关键点等，并通过运动分析来实现步态识别 [28] 。这种方法能够实现对运动状态的实时监测和记录，适用于日常康复中的步态异常监测。

由于成像原理的不同，摄像头的使用场景和数据采集方式也有所不同，需要根据实际情况选择合适的摄像头和数据采集方法，如表3所示。

Table 3. Factors affecting the use of cameras

表3. 使用摄像头的影响因素

3.2. 应用

Figure 6. Schematic diagram of unmarked gait analysis system based on OpenPose

图6. 基于OpenPose的无标记步态分析系统示意图

Figure 7. Schematic Diagram of Vision-based Unmarked Gait Analysis Equipment

图7. 基于视觉的无标记步态分析设备示意图

一些典型的基于摄像头的步态识别技术应用案例包括：Dániel Salánki等人的研究团队 [29] 成功地在NI LabVIEW环境中创建了一个复杂的步态识别系统，该系统可以使用多个摄像头检测多个样本，并能够在采集的样本上拟合预定义的曲线。Aditya Viswakumar等人 [30] 通过智能手机摄像头创建了基于OpenPose的无标记步态分析系统(OMGait) (如图6)。使用OMGait测量了16名健康志愿者在不同照明和服装条件下的踝关节、膝关节和髋关节屈伸角值。所提出的系统足以测量脚踝、膝盖和臀部的运动值。结果显示比MS Kinect系统表现得更好。Shibo Cai等人 [31] 介绍了一种双目摄像头辅助对齐程序，该过程通过使用双目相机基于图像的人体姿态算法获取下肢节段的初始方向，然后利用运动学约束估计关节角度。结果显示髋关节、膝关节和踝关节角度的均方根误差(RMSE)分别为1.6˚、2.9˚和3.9˚。

Ziyang Wang [32] 通过在机器人上安装低成本RGB摄像头，使用基于视觉的人体姿态估计方法设计了一种新型的无标记步态分析设备(如图7)。主要的步态参数有内翻/外翻、背屈/跖屈、脚踝和足部进展角。实验表明，与基于深度相机或多相机运动捕捉系统的最先进方法相比，单RGB相机方法以较小的硬件成本实现了具有竞争力的性能。

3.3. 优缺点分析

综合来看，基于摄像头的步态识别技术适用于一些简单的步态分析任务，但在复杂的场景下，其识别准确度有待提高，如表4所示。

Table 4. Advantages and disadvantages of camera

表4. 摄像头的优缺点

4. 基于机器学习的步态识别技术

随着机器学习技术的快速发展，越来越多的研究开始将其应用于步态识别领域 [33] 。通过利用机器学习算法对步态数据进行处理和分析，可以实现对步态异常的准确识别和分类，为临床康复提供更加精准的治疗方案。接下来将介绍基于机器学习的步态识别技术的特征提取和分类算法的内容。

4.1. 特征提取

4.1.1. 时间域特征

时间域特征描述了每个步态周期内步态的基本特征，如步长、步频、步态周期等如表5所示。

Table 5. Characteristics and description of time domain

表5. 时间域特征及其描述

4.1.2. 频域特征

频域特征是指将信号分解成多个频率分量，从中提取出与步态相关的特征，如表6所示。

Table 6. Frequency domain characteristics and description

表6. 频域特征及其描述

4.1.3. 时频域特征

时频域特征(如表7所示)可以更全面地反映信号的特征，但其计算量相对较大，需要运用高效的算法进行处理。

Table 7. Time-frequency domain characteristics and their description

表7. 时频域特征及其描述

4.2. 分类算法

4.2.1. 支持向量机(SVM)

支持向量机(Support Vector Machine, SVM)是一种二分类模型，其基本模型是定义在特征空间上的间隔最大的线性分类器。SVM在分类和回归问题中都有广泛的应用。其基本思想是在保证结构风险最小化的同时寻求最优的分类超平面，进而构造出一个最优的分类决策函数。SVM是一个凸优化问题，通过求解对偶问题可以得到SVM的最优解。同时，为了解决非线性分类问题，SVM引入了核函数的概念，将原始空间中的数据通过核函数映射到高维空间，进而构造出非线性分类器。

SVM的优点在于在小样本数据集中表现出色，具有较强的泛化能力。同时，SVM在分类问题中可以通过核函数的选择实现对不同类型数据的分类，具有较强的适应性。但是，SVM对参数的选择比较敏感，在使用过程中需要仔细调参。同时，对于非线性分类问题，核函数的选择也需要仔细考虑，避免出现过拟合或欠拟合的情况。

4.2.2. 决策树(DT)

决策树(Decision Tree, DT)是一种非参数的监督学习方法，常用于分类和回归问题。决策树的每个节点表示一个特征，每个分支代表一个特征可能的取值，每个叶子节点代表一个分类结果。在建立决策树时，算法会根据数据的特征和分类结果来选择最佳的特征进行分裂，以便得到更好的分类效果。

决策树算法的优点在于可解释性好，易于理解和解释。同时，决策树算法不需要对数据做过多的前置处理，能够处理缺失值和离散值等问题。缺点在于容易产生过拟合问题，需要使用一些技巧来避免过拟合，如剪枝和随机森林。

4.2.3. 神经网络(NN)

神经网络(Neural Network)是一种计算机系统，它能够学习和推断数据的规律。它是由多个简单的处理单元组成的，这些处理单元相互连接并共同工作以完成各种任务。在步态识别中，神经网络被广泛应用于分类问题。

神经网络通常由输入层、隐藏层和输出层组成。输入层接收数据，隐藏层对数据进行处理并提取特征，输出层将处理结果输出。神经网络的训练过程是基于反向传播算法的，它通过不断地调整权重和偏差来最小化误差，并在每个训练周期中提高模型的准确性。

与其他分类算法相比，神经网络的优点是可以处理大量的数据和复杂的特征，能够识别非线性关系，并且在训练后可以进行实时分类。但是，它也有一些缺点，例如需要大量的训练数据和计算资源，以及训练过程可能需要较长时间。

4.2.4. 其他算法

除了SVM、决策树和神经网络之外，还有其他的识别算法，例如朴素贝叶斯算法(Naive Bayes) (NB) [34] 、随机森林算法(Random Forest Algorithm) (RF) [35] 、K最近邻算法(K-Nearest Neighbor) (KNN) [36] 等。这些算法也常用于步态识别中。步态识别分类算法比较如表8所示。

Table 8. Comparison of gait recognition classification algorithms

表8. 步态识别分类算法比较

针对脑卒中患者异常步态的识别，常见的分类算法包括支持向量机、决策树、神经网络等。在这些算法中，支持向量机因其具有良好的泛化能力和高维特征处理能力，被广泛应用于步态识别领域。同时，支持向量机还可以通过优化不同的核函数，提高算法的识别率。决策树算法具有简单、易于解释的特点，适合对于小样本数据的处理，但在处理大样本数据时，其分类效果可能会受到影响。神经网络具有高度的自适应性和非线性映射能力，可以适用于高维特征处理，但在训练过程中，由于其黑箱模型的特性，模型的可解释性较低。此外，还有其他的识别算法，如朴素贝叶斯、K近邻算法、随机森林算法等。在选择算法时，需要综合考虑算法的识别率、鲁棒性、计算效率、模型解释性等多个方面的因素。

5. 异常步态识别技术的局限性和未来发展方向

5.1. 技术局限性

步态识别技术虽然在脑卒中康复中有很大的潜力，但也存在一些局限性。首先，可穿戴传感器需要与身体接触，容易受到汗水、皮肤过敏等问题的干扰 [45] 。其次，基于摄像头的步态识别技术需要进行光照、姿态、背景等方面的校准，对操作和环境有较高的要求 [46] 。此外，机器学习算法在数据不充分、样本分布不均衡等情况下，容易出现过拟合和欠拟合的问题 [47] 。

在未来的发展中，需要解决以上问题。针对可穿戴传感器的问题，可以开发更加舒适、透气的传感器，减少对皮肤的刺激，同时提高传感器的稳定性和可靠性。针对基于摄像头的问题，可以采用更加智能化的算法，减少对环境的要求，同时提高算法的准确性和鲁棒性。针对机器学习算法的问题，可以采用更加先进的算法，如深度学习，提高算法的泛化能力和对小样本数据的适应性。

5.2. 研究挑战和未来发展方向

1) 大规模数据集的构建和共享：现有的步态识别数据集 [48] 相对较小，缺乏足够的多样性和代表性。未来需要建立更大规模的数据集，并促进数据共享，以提高步态识别技术的性能。

2) 多模态数据的融合：单一传感器采集的数据不能完整地反映步态异常的特征。未来需要将多模态数据(如加速度计、陀螺仪、压力传感器、摄像头等)融合 [49] ，以提高步态识别的准确度和可靠性。

3) 深度学习模型的应用：传统的机器学习模型需要手动提取特征，存在局限性。深度学习模型具有自动学习特征的能力，可进一步提高步态识别的性能 [50] 。

4) 实时性和可穿戴性的提高：未来需要开发实时性更强的步态识别技术，并结合可穿戴设备，以更好地监测和管理脑卒中患者的步态异常。

项目基金

国家自然科学基金(No. 61963007)，深圳市基础研究面上项目(JCYJ20210324122200002)，广东省基础与应用基础研究基金(No. 2021A1515011907)，广东省医学科学基金(No. B2021020)，深圳市大鹏新区医疗健康集团医疗卫生科研项目(2021JTLCYJ03)。

参考文献