基于SSA\\|LSTM的膝關節置換術后步態機能評估方法研究

摘要：針對膝關節置換術患者的術后康復過程中需要由康復醫師完成定量評估，但這種傳統方法的診療效率低的問題，提出一種基于麻雀搜索算法＼|長短期記憶神經網絡（SparrowSearchAlgorithm＼|LongShort＼|TermMemory，SSA＼|LSTM）的步態機能評估方法。該方法旨在通過高效、精確的量化評估，輔助康復醫師更好地指導患者術后恢復。首先，提取了正常人和患者之間的步態時空參數，設計了回歸評價指標；其次，利用麻雀搜索算法優化長短期記憶神經網絡，構建了步態機能模型用于分析和評估。結果表明，相比傳統回歸模型，優化后模型的決定系數有所提升，平均絕對誤差降低了25%，為膝關節置換術患者術后康復的步態分析提供了一種科學有效的量化評估方法。

關鍵詞：麻雀搜索算法；長短期記憶神經網絡；步態機能評估；膝關節置換術；時空步態參數；慣性測量單元

中圖分類號：TP391文獻標志碼：A

0引言（Introduction）

晚期膝關節退行性病變患者在接受膝關節置換術（TotalKneeArthroplasty，TKA）后，需要康復醫師指導患者開展步態訓練，并在完成訓練的同時對患者進行機能評定，從而調整患者在未來康復階段的訓練計劃［1＼|3］。通常，采用美國膝關節協會（TheAmericanKneeSociety，AKS）［4］、Holden［4］和Fugl＼|Meyer［5］與步行功能量表能夠更加全面地評估半膝關節置換術（UKA）患者和全膝關節置換術（TKA）患者在接受手術后的恢復情況，在一定程度上解決了康復程度評定的難題。

可穿戴設備能夠更加精確地展現患者的量化信息，為其后續的治療提供客觀、準確和高效的判定依據。TAKEDA等［6］根據頻譜特征獲取加速度模式，優化了步態康復監測的過程，而TEDESCO等［7］在其研究的基礎上進一步改進傳感器件，提供了完整的生物力學的評估和膝關節活動度的定量評估。WHATLING等［8］針對膝關節置換術患者術后9～15個月的步態特征，觀察其膝關節炎特征分類和變化情況。TAN等［9］基于步態事件，使用改進的LSTM對步態事件進行分類，在檢測足跟接地和足尖離地等步態事件中表現出了良好的性能。

然而，利用可穿戴設備對膝關節置換術患者術后早期步態的評估目前仍然處于空白，尤其是針對患者時空步態參數的綜合評定，尚缺少輔助評估方法。為了填補這一空白，本文提出了一種創新的方法，通過在足部安裝慣性測量元件，精確地提取時空步態參數，并基于SSA＼|LSTM的步態機能評估模型，對患者步態時空參數進行回歸評分，準確地捕獲患者時空步態參數中的關鍵聯系。實驗結果表明，該方法實現了對患者早期康復階段步態機能的高效評分，為醫生提供了一種更加直觀和高效的康復機能評估方法。

1實驗設計（Experimentaldesign）

1.1實驗裝置

本文設計的實驗裝置實物圖如圖1所示，該裝置由最小系統、慣性測量單元（InertialMeasurementElement，IMU）、電源模塊、外殼和彈力魔術貼組成。傳感器采用MPU＼|6050作為原始姿態角和平動加速度數據的來源；電源模塊采用TP5400電源管理模塊和輕型鋰電池，實現了設備的循環使用。

1.2研究對象

實驗中邀請了5名健康成年人參與數據集的收集實驗，其中男性參與者3例，女性參與者2例，其基本信息如表1所示。同時，對2名接受了全膝關節置換術的患者進行跟蹤觀察，男性和女性各1例，其基本7197ea991e7538a90c5b6dd1dca496f7信息如表2所示。5名健康成年人作為2例患者的對照組，對照組的成員在接受實驗前后的6個月內均未出現下肢骨骼、肌肉、神經性疾病等問題。

根據Brunnstrom康復階段（BrunnstromRecoveryStage，BRS）分期對患者恢復階段的劃分方式［10］，對TKA患者進行重復測量，患者恢復周期為20天，分4次重點考察患者BRS的Ⅱ＼|Ⅴ階段。TKA患者在測量期間未出現肌肉和神經性疾病等問題。本文實驗獲得朝陽縣中心醫院倫理委員會的正式批準，所有受試者均知情并同意進行實驗，2例TKA患者在實驗過程中均處于康復醫師的指導和監護下。

1.3實驗方法

實驗流程如圖2所示，受試者將設備通過彈力魔術貼固定在足背處。在進行實驗之前，患者先站立保持靜止，獲取起始坐標位點，校準姿態角數據和平動加速度數據，同步本地時間戳。在正式實驗環節，患者需從雙腳并攏站立的位置出發，向前方行走10步，每走10步完成一輪實驗并休息0.5min，同時重置IMU以減少零點漂移帶來的累計誤差。患者可根據需要，相應延長休息時間，每次實驗重復測量20輪。

每輪實驗完成后，實驗設備將IMU采集的數據通過藍牙以100Hz的頻率發送給上位機，并由上位機對轉角數據和加速度數據分別進行預處理和特征提取，最終由回歸模型得出量化評估結果。本次實驗總共收集步態數據2600份，其中健康成年人的步態數據1000份，BRSⅡ～BRSⅤ期患者的步態數據共計1600份。

1.4數據預處理

設備采集到的數據信息包含三軸姿態角（俯仰角PITCH、滾轉角ROLL和偏航角YAW）及三軸平動加速度（ACC_X、ACC_Y、ACC_Z），采集期間受環境影響，數據會產生非周期性的異常值，因此需要對其進行濾除處理。

人在行進過程中，由于抖動等因素，導致加速度信號產生尖點，但是如果直接使用中值濾波，又會丟失加速度信號的細節特征。為此，本文提出一種改進的中值濾波，根據異常點所具備的特性，從原始信號中尋找異常值以確定濾波窗口，實現局部中值濾波，消除了異常值的干擾，并且保留了有效的局部細節，其計算公式如式（1）所示：

由圖3和圖4可知，濾波后加速度原本存在的異常尖峰被削減，進一步消除了震動干擾。同樣，對轉角數據和加速度數據采用改進局部中值濾波加二階巴特沃斯濾波的綜合濾波方法，將截止頻率設置為15Hz。通過上述濾波方法，濾波后的數據變得更加貼近真實姿態信息，為后續特征的提取提供了可靠的數據來源。

2.1時空參數步態特征提取

每輪實驗需要受試者行走10步，并對每輪采集到的數據進行步態周期劃分。選定患者在足部中的俯仰角、Y軸平動加速度和Z軸平動加速度作為特征提取的信號；選定足跟接地這一步態關鍵幀作為相鄰兩個步態周期的步態關鍵幀。圖5展示了轉角信號中特征位點的分布情況，研究人員可以根據俯仰局部最大值和最小值確定整個步態周期中的兩類步態事件，即足跟接地和足尖離地。

受試者在設備開始采集和結束采集數據的過程中，會有一定的靜止時間和由站立到擺動的過渡階段，因此在提取時空步態參數前，需要對上述過渡階段的信號進行去除。由于受試者佩戴位置比較特殊，因此本研究基于傳感器所在足背位置的轉角和加速度數據進行時空步態參數的定義，確定時空參數分別為離地屈曲角（簡稱屈曲角）、足跟接地角（簡稱足跟角）、步態周期、步頻、擺動相占比、支撐相占比、步長和抬腳高度。

其中：AB為屈曲角，P為俯仰角，n為該組數據中完整步態周期的次數，fmax為俯仰角局部極大值函數。

足跟接地角是指人在行進過程中觸發足跟接地這一步態事件時，該側足部與地面正方向的夾角，通常反映膝關節在步態動作中的伸直程度。同理，在產生足跟接地步態事件時，足部與地面的夾角剛好對應圖4中圓形標點的局部最小值。

其中：HA表示足跟角，fmin為俯仰角極小值函數。

步態周期是指人的同一條腿在先后兩次發生相同步態事件的間隔。步頻是指人步行1min內單腿產生的步態周期次數。本文選定足跟接地這一步態事件作為判定步態周期的節點，步態周期和步頻如公式（4）所示：

擺動相是指人足部離開地面到接觸地面時的狀態。支撐相是指人足部接觸地面到離開地面時的狀態。一個完整的步態周期可劃分為支撐相和擺動相。二者由足跟接地和足尖離地這兩類步態事件分割，其計算公式分別為

空間參數中的步長和抬腳高度能夠從間接的角度反映人的膝關節活動機能。采用平動加速度數據可測量受試者在行進過程中的步速、步長等信息，本文對步長和抬腳高度的提取分別采用了Y軸平動加速度信號和Z軸平動加速度信號。

步長是指人同側足部相鄰兩次相同步態事件間，該足部產生的位移。對加速度信號進行二重積分，即可獲得步長和抬腳高度，計算公式如下：

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

其中：step表示步長；g表示重力常量，取值為9.8m/s2；LSB表示加速度傳感器的精度，由于設定量程為±2g，因此精度則取到16384；AX表示X軸加速度信號；Δ表示偏差補償，用于去除使用離散積分時產生的累計誤差。

抬腳高度是指人在行進過程中足部離開地面的垂直最大高度。同理，抬腳高度的計算公式如公式（7）所示：

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

其中：height表示抬腳高度，反映單腿在行進過程中離開地面最大的高度；|AZ|表示Z軸正向加速度信號。

2.2基于SSA＼|LSTM的回歸分析方法

在LSTM神經網絡中，超參數的大?。[藏的單元數、學習率、循環回合數及批次大?。┚鶗绊懩Ｐ偷男阅埽捎诒狙芯康挠柧殧祿切颖?，所以只選取隱藏的單元數和循環回合數作為被調節的超參數，將LSTM神經網絡中的最優超參數視為二維空間中使得模型的R2最高和誤差最低的最優解。為提升模型的預測精度，本文提出一種基于麻雀搜索算法（SparowSearchAlgorithm，SSA）和長短期記憶（LongShort＼|TermMemory，LSTM）神經網絡的步態機能評估方法，用于對上述時空參數進行評分估計。本模型以上述8類時空參數作為基本輸入，輸出分值介于1到5，如表3所示，所得分值與根據臨床醫學中改進AKS膝關節功能量表［11］的評分意義相同。

麻雀搜索算法是根據麻雀覓食并逃避捕食者的行為而提出的一種基于發現者和跟隨者的群智能優化算法，并且疊加了偵查預警機制，具有尋優能力強、收斂速度快的優點［12］。超參數的個數為待優化的變量的維度d，假設麻雀的數量為n，則由n只麻雀組成的種群，可以表示為如下形式：

本文對比并分析了多種不同的回歸方法對不同患者的步態數據和醫生評分數據，數據集中的訓練集占比為80%，測試集的占比為20%，模型性能對比結果如表4所示。

從表4中的數據可知，傳統回歸方法（線性回歸、多項式回歸、嶺回歸）有著較高的R2（≥0.95），較低的誤差（MAE＜0.25）以及較低的百分比平均絕對誤差（MAPE≈10%）。然而對比傳統的回歸方法，廣義線性回歸、最小絕對值收斂和選擇算子算法（LeastAbsoluteShrinkageAndSelectionOperator，LASSO）回歸、支持向量回歸、決策樹、隨機森林和極致梯度提升樹均保持了較好的R2和平均絕對誤差，后三者的平均絕對誤差均小于0.02，但是百分比平均絕對誤差大幅上升，模型的穩定性不夠。

基于神經網絡的方法具備良好的拓展性和預測準確度，雖然在R2和MAE方面均不及反向傳播（BackPropagation，BP）神經網絡和卷積神經網絡（ConvolutionalNeuralNetworks，CNN），但是其性能會隨著患者數據量的不斷積累而不斷增強。在神經網絡中，相比于上述兩類方法，LSTM神經網絡擁有最高的R2和最低的平均絕對誤差和百分比平均絕對誤差。SSA＼|LSTM雖然會增大百分比絕對平均誤差，但是訓練集和測試集的R2分別提升了3.41%和7.23%，平均絕對誤差減少了25.00%，這也從另一方面提升了模型的魯棒性，其評分也更加符合患者在不同BRS分期對應的康復效果。

4結論（Conclusion）

本文提出了一種膝關節置換術后步態機能評估方法。該方法通過基于IMU的可穿戴實驗設備收集人體步態數據，并對轉角和加速度數據設計了改進中值濾波以消除干擾，提取出8類時空步態參數。在此基礎上，提出了基于SSA＼|LSTM的步態機能評估模型，通過與其他模型進行對比發現，本文模型的預測精度有所提升，與醫生評分數據更加吻合。該方法能對不同康復周期的患者狀態進行有效評估，為康復訓練評定提供了科學依據，具有重要的實踐意義。

然而，受當前樣本數量的限制，模型在百分比平均絕對誤差方面仍存在一定的提升空間。未來，我們將通過擴大樣本規模、優化數據處理算法以及進一步調整模型參數等措施，持續完善該評估方法，以期達到更高的評估精度和更廣泛的應用范圍。

參考文獻（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，唐愛合，林小珍，等.早期功能鍛煉運用于全膝關節置換術的研究進展［J］.中國醫藥導報，2024，21（4）：30＼|34.