摘要：針對(duì)膝關(guān)節(jié)置換術(shù)患者的術(shù)后康復(fù)過程中需要由康復(fù)醫(yī)師完成定量評(píng)估，但這種傳統(tǒng)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(jīng)網(wǎng)絡(luò)（SparrowSearchAlgorithm＼|LongShort＼|TermMemory，SSA＼|LSTM）的步態(tài)機(jī)能評(píng)估方法。該方法旨在通過高效、精確的量化評(píng)估，輔助康復(fù)醫(yī)師更好地指導(dǎo)患者術(shù)后恢復(fù)。首先，提取了正常人和患者之間的步態(tài)時(shí)空參數(shù)，設(shè)計(jì)了回歸評(píng)價(jià)指標(biāo)；其次，利用麻雀搜索算法優(yōu)化長短期記憶神經(jīng)網(wǎng)絡(luò)，構(gòu)建了步態(tài)機(jī)能模型用于分析和評(píng)估。結(jié)果表明，相比傳統(tǒng)回歸模型，優(yōu)化后模型的決定系數(shù)有所提升，平均絕對(duì)誤差降低了25%，為膝關(guān)節(jié)置換術(shù)患者術(shù)后康復(fù)的步態(tài)分析提供了一種科學(xué)有效的量化評(píng)估方法。

關(guān)鍵詞：麻雀搜索算法；長短期記憶神經(jīng)網(wǎng)絡(luò)；步態(tài)機(jī)能評(píng)估；膝關(guān)節(jié)置換術(shù)；時(shí)空步態(tài)參數(shù)；慣性測(cè)量單元

中圖分類號(hào)：TP391文獻(xiàn)標(biāo)志碼：A

0引言（Introduction）

晚期膝關(guān)節(jié)退行性病變患者在接受膝關(guān)節(jié)置換術(shù)（TotalKneeArthroplasty，TKA）后，需要康復(fù)醫(yī)師指導(dǎo)患者開展步態(tài)訓(xùn)練，并在完成訓(xùn)練的同時(shí)對(duì)患者進(jìn)行機(jī)能評(píng)定，從而調(diào)整患者在未來康復(fù)階段的訓(xùn)練計(jì)劃［1＼|3］。通常，采用美國膝關(guān)節(jié)協(xié)會(huì)（TheAmericanKneeSociety，AKS）［4］、Holden［4］和Fugl＼|Meyer［5］與步行功能量表能夠更加全面地評(píng)估半膝關(guān)節(jié)置換術(shù)（UKA）患者和全膝關(guān)節(jié)置換術(shù)（TKA）患者在接受手術(shù)后的恢復(fù)情況，在一定程度上解決了康復(fù)程度評(píng)定的難題。

可穿戴設(shè)備能夠更加精確地展現(xiàn)患者的量化信息，為其后續(xù)的治療提供客觀、準(zhǔn)確和高效的判定依據(jù)。TAKEDA等［6］根據(jù)頻譜特征獲取加速度模式，優(yōu)化了步態(tài)康復(fù)監(jiān)測(cè)的過程，而TEDESCO等［7］在其研究的基礎(chǔ)上進(jìn)一步改進(jìn)傳感器件，提供了完整的生物力學(xué)的評(píng)估和膝關(guān)節(jié)活動(dòng)度的定量評(píng)估。WHATLING等［8］針對(duì)膝關(guān)節(jié)置換術(shù)患者術(shù)后9～15個(gè)月的步態(tài)特征，觀察其膝關(guān)節(jié)炎特征分類和變化情況。TAN等［9］基于步態(tài)事件，使用改進(jìn)的LSTM對(duì)步態(tài)事件進(jìn)行分類，在檢測(cè)足跟接地和足尖離地等步態(tài)事件中表現(xiàn)出了良好的性能。

然而，利用可穿戴設(shè)備對(duì)膝關(guān)節(jié)置換術(shù)患者術(shù)后早期步態(tài)的評(píng)估目前仍然處于空白，尤其是針對(duì)患者時(shí)空步態(tài)參數(shù)的綜合評(píng)定，尚缺少輔助評(píng)估方法。為了填補(bǔ)這一空白，本文提出了一種創(chuàng)新的方法，通過在足部安裝慣性測(cè)量元件，精確地提取時(shí)空步態(tài)參數(shù)，并基于SSA＼|LSTM的步態(tài)機(jī)能評(píng)估模型，對(duì)患者步態(tài)時(shí)空參數(shù)進(jìn)行回歸評(píng)分，準(zhǔn)確地捕獲患者時(shí)空步態(tài)參數(shù)中的關(guān)鍵聯(lián)系。實(shí)驗(yàn)結(jié)果表明，該方法實(shí)現(xiàn)了對(duì)患者早期康復(fù)階段步態(tài)機(jī)能的高效評(píng)分，為醫(yī)生提供了一種更加直觀和高效的康復(fù)機(jī)能評(píng)估方法。

1實(shí)驗(yàn)設(shè)計(jì)（Experimentaldesign）

1.1實(shí)驗(yàn)裝置

本文設(shè)計(jì)的實(shí)驗(yàn)裝置實(shí)物圖如圖1所示，該裝置由最小系統(tǒng)、慣性測(cè)量單元（InertialMeasurementElement，IMU）、電源模塊、外殼和彈力魔術(shù)貼組成。傳感器采用MPU＼|6050作為原始姿態(tài)角和平動(dòng)加速度數(shù)據(jù)的來源；電源模塊采用TP5400電源管理模塊和輕型鋰電池，實(shí)現(xiàn)了設(shè)備的循環(huán)使用。

1.2研究對(duì)象

實(shí)驗(yàn)中邀請(qǐng)了5名健康成年人參與數(shù)據(jù)集的收集實(shí)驗(yàn)，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(shí)，對(duì)2名接受了全膝關(guān)節(jié)置換術(shù)的患者進(jìn)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(duì)照組，對(duì)照組的成員在接受實(shí)驗(yàn)前后的6個(gè)月內(nèi)均未出現(xiàn)下肢骨骼、肌肉、神經(jīng)性疾病等問題。

根據(jù)Brunnstrom康復(fù)階段（BrunnstromRecoveryStage，BRS）分期對(duì)患者恢復(fù)階段的劃分方式［10］，對(duì)TKA患者進(jìn)行重復(fù)測(cè)量，患者恢復(fù)周期為20天，分4次重點(diǎn)考察患者BRS的Ⅱ＼|Ⅴ階段。TKA患者在測(cè)量期間未出現(xiàn)肌肉和神經(jīng)性疾病等問題。本文實(shí)驗(yàn)獲得朝陽縣中心醫(yī)院倫理委員會(huì)的正式批準(zhǔn)，所有受試者均知情并同意進(jìn)行實(shí)驗(yàn)，2例TKA患者在實(shí)驗(yàn)過程中均處于康復(fù)醫(yī)師的指導(dǎo)和監(jiān)護(hù)下。

1.3實(shí)驗(yàn)方法

實(shí)驗(yàn)流程如圖2所示，受試者將設(shè)備通過彈力魔術(shù)貼固定在足背處。在進(jìn)行實(shí)驗(yàn)之前，患者先站立保持靜止，獲取起始坐標(biāo)位點(diǎn)，校準(zhǔn)姿態(tài)角數(shù)據(jù)和平動(dòng)加速度數(shù)據(jù)，同步本地時(shí)間戳。在正式實(shí)驗(yàn)環(huán)節(jié)，患者需從雙腳并攏站立的位置出發(fā)，向前方行走10步，每走10步完成一輪實(shí)驗(yàn)并休息0.5min，同時(shí)重置IMU以減少零點(diǎn)漂移帶來的累計(jì)誤差。患者可根據(jù)需要，相應(yīng)延長休息時(shí)間，每次實(shí)驗(yàn)重復(fù)測(cè)量20輪。

每輪實(shí)驗(yàn)完成后，實(shí)驗(yàn)設(shè)備將IMU采集的數(shù)據(jù)通過藍(lán)牙以100Hz的頻率發(fā)送給上位機(jī)，并由上位機(jī)對(duì)轉(zhuǎn)角數(shù)據(jù)和加速度數(shù)據(jù)分別進(jìn)行預(yù)處理和特征提取，最終由回歸模型得出量化評(píng)估結(jié)果。本次實(shí)驗(yàn)總共收集步態(tài)數(shù)據(jù)2600份，其中健康成年人的步態(tài)數(shù)據(jù)1000份，BRSⅡ～BRSⅤ期患者的步態(tài)數(shù)據(jù)共計(jì)1600份。

1.4數(shù)據(jù)預(yù)處理

設(shè)備采集到的數(shù)據(jù)信息包含三軸姿態(tài)角（俯仰角PITCH、滾轉(zhuǎn)角ROLL和偏航角YAW）及三軸平動(dòng)加速度（ACC_X、ACC_Y、ACC_Z），采集期間受環(huán)境影響，數(shù)據(jù)會(huì)產(chǎn)生非周期性的異常值，因此需要對(duì)其進(jìn)行濾除處理。

人在行進(jìn)過程中，由于抖動(dòng)等因素，導(dǎo)致加速度信號(hào)產(chǎn)生尖點(diǎn)，但是如果直接使用中值濾波，又會(huì)丟失加速度信號(hào)的細(xì)節(jié)特征。為此，本文提出一種改進(jìn)的中值濾波，根據(jù)異常點(diǎn)所具備的特性，從原始信號(hào)中尋找異常值以確定濾波窗口，實(shí)現(xiàn)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(xì)節(jié)，其計(jì)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(jìn)一步消除了震動(dòng)干擾。同樣，對(duì)轉(zhuǎn)角數(shù)據(jù)和加速度數(shù)據(jù)采用改進(jìn)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(shè)置為15Hz。通過上述濾波方法，濾波后的數(shù)據(jù)變得更加貼近真實(shí)姿態(tài)信息，為后續(xù)特征的提取提供了可靠的數(shù)據(jù)來源。

2.1時(shí)空參數(shù)步態(tài)特征提取

每輪實(shí)驗(yàn)需要受試者行走10步，并對(duì)每輪采集到的數(shù)據(jù)進(jìn)行步態(tài)周期劃分。選定患者在足部中的俯仰角、Y軸平動(dòng)加速度和Z軸平動(dòng)加速度作為特征提取的信號(hào)；選定足跟接地這一步態(tài)關(guān)鍵幀作為相鄰兩個(gè)步態(tài)周期的步態(tài)關(guān)鍵幀。圖5展示了轉(zhuǎn)角信號(hào)中特征位點(diǎn)的分布情況，研究人員可以根據(jù)俯仰局部最大值和最小值確定整個(gè)步態(tài)周期中的兩類步態(tài)事件，即足跟接地和足尖離地。

受試者在設(shè)備開始采集和結(jié)束采集數(shù)據(jù)的過程中，會(huì)有一定的靜止時(shí)間和由站立到擺動(dòng)的過渡階段，因此在提取時(shí)空步態(tài)參數(shù)前，需要對(duì)上述過渡階段的信號(hào)進(jìn)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(zhuǎn)角和加速度數(shù)據(jù)進(jìn)行時(shí)空步態(tài)參數(shù)的定義，確定時(shí)空參數(shù)分別為離地屈曲角（簡(jiǎn)稱屈曲角）、足跟接地角（簡(jiǎn)稱足跟角）、步態(tài)周期、步頻、擺動(dòng)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(shù)據(jù)中完整步態(tài)周期的次數(shù)，fmax為俯仰角局部極大值函數(shù)。

足跟接地角是指人在行進(jìn)過程中觸發(fā)足跟接地這一步態(tài)事件時(shí)，該側(cè)足部與地面正方向的夾角，通常反映膝關(guān)節(jié)在步態(tài)動(dòng)作中的伸直程度。同理，在產(chǎn)生足跟接地步態(tài)事件時(shí)，足部與地面的夾角剛好對(duì)應(yīng)圖4中圓形標(biāo)點(diǎn)的局部最小值。

其中：HA表示足跟角，fmin為俯仰角極小值函數(shù)。

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

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

空間參數(shù)中的步長和抬腳高度能夠從間接的角度反映人的膝關(guān)節(jié)活動(dòng)機(jī)能。采用平動(dòng)加速度數(shù)據(jù)可測(cè)量受試者在行進(jìn)過程中的步速、步長等信息，本文對(duì)步長和抬腳高度的提取分別采用了Y軸平動(dòng)加速度信號(hào)和Z軸平動(dòng)加速度信號(hào)。

步長是指人同側(cè)足部相鄰兩次相同步態(tài)事件間，該足部產(chǎn)生的位移。對(duì)加速度信號(hào)進(jìn)行二重積分，即可獲得步長和抬腳高度，計(jì)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(shè)定量程為±2g，因此精度則取到16384；AX表示X軸加速度信號(hào)；Δ表示偏差補(bǔ)償，用于去除使用離散積分時(shí)產(chǎn)生的累計(jì)誤差。

抬腳高度是指人在行進(jìn)過程中足部離開地面的垂直最大高度。同理，抬腳高度的計(jì)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(jìn)過程中離開地面最大的高度；|AZ|表示Z軸正向加速度信號(hào)。

2.2基于SSA＼|LSTM的回歸分析方法

在LSTM神經(jīng)網(wǎng)絡(luò)中，超參數(shù)的大?。[藏的單元數(shù)、學(xué)習(xí)率、循環(huán)回合數(shù)及批次大小）均會(huì)影響模型的性能，由于本研究的訓(xùn)練數(shù)據(jù)是小樣本，所以只選取隱藏的單元數(shù)和循環(huán)回合數(shù)作為被調(diào)節(jié)的超參數(shù)，將LSTM神經(jīng)網(wǎng)絡(luò)中的最優(yōu)超參數(shù)視為二維空間中使得模型的R2最高和誤差最低的最優(yōu)解。為提升模型的預(yù)測(cè)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(jīng)網(wǎng)絡(luò)的步態(tài)機(jī)能評(píng)估方法，用于對(duì)上述時(shí)空參數(shù)進(jìn)行評(píng)分估計(jì)。本模型以上述8類時(shí)空參數(shù)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(jù)臨床醫(yī)學(xué)中改進(jìn)AKS膝關(guān)節(jié)功能量表［11］的評(píng)分意義相同。

麻雀搜索算法是根據(jù)麻雀覓食并逃避捕食者的行為而提出的一種基于發(fā)現(xiàn)者和跟隨者的群智能優(yōu)化算法，并且疊加了偵查預(yù)警機(jī)制，具有尋優(yōu)能力強(qiáng)、收斂速度快的優(yōu)點(diǎn)［12］。超參數(shù)的個(gè)數(shù)為待優(yōu)化的變量的維度d，假設(shè)麻雀的數(shù)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(duì)比并分析了多種不同的回歸方法對(duì)不同患者的步態(tài)數(shù)據(jù)和醫(yī)生評(píng)分?jǐn)?shù)據(jù)，數(shù)據(jù)集中的訓(xùn)練集占比為80%，測(cè)試集的占比為20%，模型性能對(duì)比結(jié)果如表4所示。

從表4中的數(shù)據(jù)可知，傳統(tǒng)回歸方法（線性回歸、多項(xiàng)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(duì)誤差（MAPE≈10%）。然而對(duì)比傳統(tǒng)的回歸方法，廣義線性回歸、最小絕對(duì)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(jī)森林和極致梯度提升樹均保持了較好的R2和平均絕對(duì)誤差，后三者的平均絕對(duì)誤差均小于0.02，但是百分比平均絕對(duì)誤差大幅上升，模型的穩(wěn)定性不夠。

基于神經(jīng)網(wǎng)絡(luò)的方法具備良好的拓展性和預(yù)測(cè)準(zhǔn)確度，雖然在R2和MAE方面均不及反向傳播（BackPropagation，BP）神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetworks，CNN），但是其性能會(huì)隨著患者數(shù)據(jù)量的不斷積累而不斷增強(qiáng)。在神經(jīng)網(wǎng)絡(luò)中，相比于上述兩類方法，LSTM神經(jīng)網(wǎng)絡(luò)擁有最高的R2和最低的平均絕對(duì)誤差和百分比平均絕對(duì)誤差。SSA＼|LSTM雖然會(huì)增大百分比絕對(duì)平均誤差，但是訓(xùn)練集和測(cè)試集的R2分別提升了3.41%和7.23%，平均絕對(duì)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(píng)分也更加符合患者在不同BRS分期對(duì)應(yīng)的康復(fù)效果。

4結(jié)論（Conclusion）

本文提出了一種膝關(guān)節(jié)置換術(shù)后步態(tài)機(jī)能評(píng)估方法。該方法通過基于IMU的可穿戴實(shí)驗(yàn)設(shè)備收集人體步態(tài)數(shù)據(jù)，并對(duì)轉(zhuǎn)角和加速度數(shù)據(jù)設(shè)計(jì)了改進(jìn)中值濾波以消除干擾，提取出8類時(shí)空步態(tài)參數(shù)。在此基礎(chǔ)上，提出了基于SSA＼|LSTM的步態(tài)機(jī)能評(píng)估模型，通過與其他模型進(jìn)行對(duì)比發(fā)現(xiàn)，本文模型的預(yù)測(cè)精度有所提升，與醫(yī)生評(píng)分?jǐn)?shù)據(jù)更加吻合。該方法能對(duì)不同康復(fù)周期的患者狀態(tài)進(jìn)行有效評(píng)估，為康復(fù)訓(xùn)練評(píng)定提供了科學(xué)依據(jù)，具有重要的實(shí)踐意義。

然而，受當(dāng)前樣本數(shù)量的限制，模型在百分比平均絕對(duì)誤差方面仍存在一定的提升空間。未來，我們將通過擴(kuò)大樣本規(guī)模、優(yōu)化數(shù)據(jù)處理算法以及進(jìn)一步調(diào)整模型參數(shù)等措施，持續(xù)完善該評(píng)估方法，以期達(dá)到更高的評(píng)估精度和更廣泛的應(yīng)用范圍。

參考文獻(xiàn)（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(yùn)用于全膝關(guān)節(jié)置換術(shù)的研究進(jìn)展［J］.中國醫(yī)藥導(dǎo)報(bào)，2024，21（4）：30＼|34.