摘要：針對膝關(guān)節(jié)置換術(shù)患者的術(shù)后康復過程中需要由康復醫(yī)師完成定量評估，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（SparrowSearchAlgorithm＼|LongShort＼|TermMemory，SSA＼|LSTM）的步態(tài)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(yī)師更好地指導患者術(shù)后恢復。首先，提取了正常人和患者之間的步態(tài)時空參數(shù)，設(shè)計了回歸評價指標；其次，利用麻雀搜索算法優(yōu)化長短期記憶神經(jīng)網(wǎng)絡，構(gòu)建了步態(tài)機能模型用于分析和評估。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，平均絕對誤差降低了25%，為膝關(guān)節(jié)置換術(shù)患者術(shù)后康復的步態(tài)分析提供了一種科學有效的量化評估方法。

關(guān)鍵詞：麻雀搜索算法；長短期記憶神經(jīng)網(wǎng)絡；步態(tài)機能評估；膝關(guān)節(jié)置換術(shù)；時空步態(tài)參數(shù)；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(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，需要康復醫(yī)師指導患者開展步態(tài)訓練，并在完成訓練的同時對患者進行機能評定，從而調(diào)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(guān)節(jié)協(xié)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(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)后的恢復情況，在一定程度上解決了康復程度評定的難題。

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)康復監(jiān)測的過程，而TEDESCO等［7］在其研究的基礎(chǔ)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(guān)節(jié)活動度的定量評估。WHATLING等［8］針對膝關(guān)節(jié)置換術(shù)患者術(shù)后9～15個月的步態(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，使用改進的LSTM對步態(tài)事件進行分類，在檢測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)備對膝關(guān)節(jié)置換術(shù)患者術(shù)后早期步態(tài)的評估目前仍然處于空白，尤其是針對患者時空步態(tài)參數(shù)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(chuàng)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(tài)參數(shù)，并基于SSA＼|LSTM的步態(tài)機能評估模型，對患者步態(tài)時空參數(shù)進行回歸評分，準確地捕獲患者時空步態(tài)參數(shù)中的關(guān)鍵聯(lián)系。實驗結(jié)果表明，該方法實現(xiàn)了對患者早期康復階段步態(tài)機能的高效評分，為醫(yī)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(shè)計（Experimentaldesign）

1.1實驗裝置

本文設(shè)計的實驗裝置實物圖如圖1所示，該裝置由最小系統(tǒng)、慣性測量單元（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，實現(xiàn)了設(shè)備的循環(huán)使用。

1.2研究對象

實驗中邀請了5名健康成年人參與數(shù)據(jù)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(guān)節(jié)置換術(shù)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(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(xiàn)肌肉和神經(jīng)性疾病等問題。本文實驗獲得朝陽縣中心醫(yī)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(yī)師的指導和監(jiān)護下。

1.3實驗方法

實驗流程如圖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(tài)角數(shù)據(jù)和平動加速度數(shù)據(jù)，同步本地時間戳。在正式實驗環(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?；颊呖筛鶕?jù)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(shè)備將IMU采集的數(shù)據(jù)通過藍牙以100Hz的頻率發(fā)送給上位機，并由上位機對轉(zhuǎn)角數(shù)據(jù)和加速度數(shù)據(jù)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(jié)果。本次實驗總共收集步態(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1600份。

1.4數(shù)據(jù)預處理

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）及三軸平動加速度（ACC_X、ACC_Y、ACC_Z），采集期間受環(huán)境影響，數(shù)據(jù)會產(chǎn)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(chǎn)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(jié)特征。為此，本文提出一種改進的中值濾波，根據(jù)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(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節(jié)，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(zhuǎn)角數(shù)據(jù)和加速度數(shù)據(jù)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(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時空參數(shù)步態(tài)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(shù)據(jù)進行步態(tài)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(tài)關(guān)鍵幀作為相鄰兩個步態(tài)周期的步態(tài)關(guān)鍵幀。圖5展示了轉(zhuǎn)角信號中特征位點的分布情況，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(tài)參數(shù)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(zhuǎn)角和加速度數(shù)據(jù)進行時空步態(tài)參數(shù)的定義，確定時空參數(shù)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(tài)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(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過程中觸發(fā)足跟接地這一步態(tài)事件時，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)動作中的伸直程度。同理，在產(chǎn)生足跟接地步態(tài)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(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，步態(tài)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(tài)。支撐相是指人足部接觸地面到離開地面時的狀態(tài)。一個完整的步態(tài)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(tài)事件分割，其計算公式分別為

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)活動機能。采用平動加速度數(shù)據(jù)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(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(shè)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(chǎn)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(jīng)網(wǎng)絡中，超參數(shù)的大?。[藏的單元數(shù)、學習率、循環(huán)回合數(shù)及批次大?。┚鶗绊懩Ｐ偷男阅埽捎诒狙芯康挠柧殧?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(jīng)網(wǎng)絡的步態(tài)機能評估方法，用于對上述時空參數(shù)進行評分估計。本模型以上述8類時空參數(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)學中改進AKS膝關(guān)節(jié)功能量表［11］的評分意義相同。

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，并且疊加了偵查預警機制，具有尋優(yōu)能力強、收斂速度快的優(yōu)點［12］。超參數(shù)的個數(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：

本文對比并分析了多種不同的回歸方法對不同患者的步態(tài)數(shù)據(jù)和醫(yī)生評分數(shù)據(jù)，數(shù)據(jù)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(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(tǒng)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(wěn)定性不夠。

基于神經(jīng)網(wǎng)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(jīng)網(wǎng)絡和卷積神經(jīng)網(wǎng)絡（ConvolutionalNeuralNetworks，CNN），但是其性能會隨著患者數(shù)據(jù)量的不斷積累而不斷增強。在神經(jīng)網(wǎng)絡中，相比于上述兩類方法，LSTM神經(jīng)網(wǎng)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(jié)論（Conclusion）

本文提出了一種膝關(guān)節(jié)置換術(shù)后步態(tài)機能評估方法。該方法通過基于IMU的可穿戴實驗設(shè)備收集人體步態(tài)數(shù)據(jù)，并對轉(zhuǎn)角和加速度數(shù)據(jù)設(shè)計了改進中值濾波以消除干擾，提取出8類時空步態(tài)參數(shù)。在此基礎(chǔ)上，提出了基于SSA＼|LSTM的步態(tài)機能評估模型，通過與其他模型進行對比發(fā)現(xiàn)，本文模型的預測精度有所提升，與醫(yī)生評分數(shù)據(jù)更加吻合。該方法能對不同康復周期的患者狀態(tài)進行有效評估，為康復訓練評定提供了科學依據(jù)，具有重要的實踐意義。

然而，受當前樣本數(shù)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(guī)模、優(yōu)化數(shù)據(jù)處理算法以及進一步調(diào)整模型參數(shù)等措施，持續(xù)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(guān)節(jié)置換術(shù)的研究進展［J］.中國醫(yī)藥導報，2024，21（4）：30＼|34.