文摘

各种步行速度在足底压力可能引起不同的反应模式。当前的方法用于分析足底压力模式是线性,忽略非线性特性。本研究的目的是分析足底压力图像的复杂性,走在不同的速度使用非线性二维的多尺度熵(MSE二维)。十二个参与者(年龄:27.1±5.8年;高度:170.3±10.0厘米;和重量:63.5±13.5公斤)的人被招募为步行速度三(慢1.8英里,温和的3.6英里,和快速的在5.4英里)20分钟。足底压力测量系统用于测量足底压力模式。复杂指数(CI), MSE的总和二维从时间尺度,被用来量化复杂的足底压力的变化图像。与重复方差分析措施和费雪的最小显著差校正被用来检查这项研究的结果。结果表明,CI的足底压力图像1.8英里每小时(1.780)显著低于3.6(1.790)和5.4英里每小时(1.792)。结果还显示,从1 CI显著增加圣10 min (1.780)th最小(1.791)和20th最小(1.791)与缓慢行走(1.8英里)。我们的研究结果表明,缓慢的走在每小时1.8英里的可能不是好的姿势控制与温和的散步(3.6英里),快走(5.4英里)。这项研究表明二维的多尺度熵是能够量化复杂性不同行走速度后足底压力的变化图像。

1。介绍

姿态控制是一个复杂的过程对维持人体的方向和平衡在直立位置和运动活动的日常生活1- - - - - -3]。各种方法已经被用来评估人体姿势控制,包括重心,重心,压力中心,地面反作用力和足底压力模式(1- - - - - -3]。足底压力模式(例如,足底压力峰值和足底压力梯度)在走了从地面反作用力作用于足底脚。研究表明,足底压力异常模式可能反映了底层肌肉骨骼和神经障碍(4,5]。

常见的足底压力分析模式包括平均压力、峰值压力,力值,和接触面积6,7]。最近,研究人员表示,这些传统方法可能不能完全描述异常变化与衰老相关的姿势控制或体内条件(4,5]。研究结果表明,利用非线性分析(例如,不规则性和复杂性)可能是更有效的比线性分析检测病理变化的生物信号(8- - - - - -10]。哥等人提出了一种新的非线性多尺度熵算法(MSE)来分析生物信号有限长度(11- - - - - -13]。MSE能够评估的复杂性水平信号使用范围的时间尺度。MSE和粗粒度时间序列可能是系统动力学的复杂性通过使用不同的时间尺度。

biosignal信号的复杂性可能反映了基础信息的状态和结构。一般来说,正常情况下有更高的复杂性,及衰老和降低复杂性疾病的病理状态(11- - - - - -13]。MSE广泛用于各种医疗应用程序由于其能够正确的不稳定的一些病理条件下使用传统的估计,entropy-based方法(11- - - - - -13]。最近,MSE已经应用于提取各种生理时间序列信号的特征,如RR间隔,脑电图,压力中心(12- - - - - -16]。另一方面,一些研究者提出了算法改进的局限性MSE输出方差的可靠性较高的熵减少由于快速消除粗粒度的过程的时间尺度(13,17,18]。

二维的多尺度熵(MSE二维了席尔瓦和同事克服局限性分析二维图像的一维MSE (19- - - - - -21]。均方误差二维算法是基于最初的MSE和MSE的扩展为二维数据,如生物医学图像(19- - - - - -22]。均方误差二维算法尚未广泛应用于各种生理条件和可用于检测复杂度足底压力的变化在不同病理生理条件。传统上,步态模式评估,包括足底压力模式,分析了使用线性方法(23]。足底压力模式可由线性和非线性组件。然而,我们所知,没有研究评估的复杂性足底压力模式。

本研究的目的是应用最近提议的两度空间的多尺度熵(MSE二维)评估复杂性足底压力的变化模式走在不同的速度。在这项研究中,我们调查了改变足底压力的复杂图像,以应对不同行走速度通过使用二维的多尺度熵(MSE二维)。研究旨在检验假说的快走在3.6和5.4英里每小时的速度将降低复杂性的足底压力图像而缓慢步行每小时1.8英里的速度。二维的多尺度熵的结果可以帮助理解不同行走速度对足底压力的影响和姿势控制。

2。材料和方法

重复测量设计是用于这个研究包括3速度(慢1.8英里,温和的3.6英里,和快速的在5.4英里)20分钟。选择这三个速度的基本原理是描述常见的行走和奔跑的速度在人们足底组织损伤的风险,包括正常步行每小时1.8英里的速度减慢,快步走3.6英里每小时的速度,缓慢运行速度5.4英里每小时(24]。本研究项目的一部分调查足底皮肤血流量和足底组织为了应对各种步行强度(24]。

2.1。主题

18岁至45岁之间的健康受试者招募大学和附近的社区。排除标准是活跃的足部溃疡、糖尿病、血管疾病,高血压,和不能独立行走20分钟,无法独立行走以每小时5.4英里的速度,或使用血管活性的药物。每位受试者签署知情同意批准的伊利诺伊大学香槟分校的机构审查委员会前的筛选和实验过程。十二个健康受试者男性和7女性(5)在本研究招募了。人口统计数据(均值±标准差)年龄:27.1±5.8年;高度:170.3±10.0厘米;和重量:63.5±13.5公斤。所有考试都在康复工程实验室伊利诺伊大学香槟分校。室温固定在24±2°C。所有科目放松在仰卧位至少30分钟前测试稳定的基线弹性成像足底软组织和适应自己的室温。

2.2。实验程序

F-scan系统(Tekscan南波士顿,MA)是用来测量足底压力数据标准化的右脚的鞋走在每个3协议(24]。一双合适的鞋子和袜子标准(美国新泽西州Altrex,蒂内克市)F-scan鞋子袜子和鞋垫之间传感器是准备参与者(25]。一个F-scan鞋子的传感器包含960个传感元素。每个传感元件的大小是5.08毫米×5.08毫米。在步行试验之前,参与者将步行3 - 5分钟,以便熟悉标准的鞋。采样率为300 Hz。研究对象以每小时1.8英里的速度走在第一次访问了20分钟。所有参与者回到实验室执行3.6英里每小时和5.4英里每小时走在第二个和第三个访问,分别。每一次访问都7±2天之间的分离。图1显示的例子足底压力图像走三个速度。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
(f)
(f)
(g)
(g)
(h)
(h)
(我)
(我)
图1
足底压力的例子图像在不同行走速度。足底压力模式1圣10分钟(a),th20分钟(b),th分钟(c)在走1.8英里。足底压力图像1圣最小值(d), 10th20分钟(e),thmin (f)在走3.6英里。足底压力模式1圣10分钟(g),thmin (h)和20thmin (i)在走5.4英里。
2.3。均方误差二维分析

多尺度熵(MSE)使用样本熵估计的算法在不同的时间尺度规律。均方误差二维(19- - - - - -21,26来源于一维MSE和由两个过程组成:(我)2 d粗粒度的过程衍生为一组时间序列在不同时间尺度由方程(1)。足底压力的形象u与宽度 ,和高度 ,粗粒度的计算时间序列 在哪里 和 。τ比例因子。当τ= 1,粗粒度的足底压力的形象 对应于原始图像。粗粒度图像的宽度 是 ,高度是 。足底压力的形象u,让x米(我,j)是米长度平方窗口与起源u(我,j):x米(我,j)是一组像素从列j来j+米−1和线我来我+米−1。让N米内广场windows的总数u可以生成的米和米+ 1大小:N米= ( −米)×(H−米)。(2)通过粗粒度的过程中,二维样本熵(SampEn二维)相似度阈值r可以通过以下方程: 在哪里 和 在哪里一个和b范围从1到H−米和从1到 −米分别,(一个,b)≠(我,j);距离d被定义为 在哪里k和l范围从0到米−1。

因此,MSE二维与时间尺度 可以积累SampEn吗二维通过

在最后,复杂性指数(CI)可以获得SampEn的总和二维规模因素1的最大:

基线人口数据与描述性统计报告。方差分析(方差分析)重复措施被用来比较3速度之间的CI(1.8, 3.6,和5.4英里/小时)。费雪的最小显著差校正用于成对比较三个步行速度之间的CI(1.8, 3.6,和5.4英里/小时)。修正被用来克服多重比较问题在这个重复措施研究。设置为0.05显著水平。所有统计测试使用SPSS进行26 (IBM,萨默斯,纽约)。使用MATLAB的CI计算R2019b (MathWorks, Inc .,纳蒂克,妈,美国)。

3所示。结果

图2显示了MSE二维从时间尺度值τ1 = 1到5圣分钟,10th20分钟,th敏在每小时1.8英里的速度行走。结果发现,在较低的时间尺度,τ= 1和2,MSE二维走持续时间较长的值显著增加(τ= 1,1圣分和10th最小值= 0.297和0.305;1圣分钟和20th最小值= 0.297和0.303, ;τ1 = 2,圣分和10th最小值= 0.361和0.364,1圣分钟和20th最小值= 0.361和0.364, )。均方误差二维没有显著变化的时间尺度3到5。在3.6和5.4英里步行速度,MSE二维没有显著改变在所有条件(从时间尺度τ1 = 1到5圣分钟,10th20分钟,th分钟)。


图2
均方误差二维从时间尺度的足底压力值图像τ1 = 1到5圣分钟,10th20分钟,th敏在每小时1.8英里的速度。 表明 。

图3显示了复杂的索引值1圣分钟,10th20分钟,th敏在3步行速度。在1.8英里的步行速度,CI值与步行速度显著增加( )。有一个趋势,CI随时间增加1圣分钟,10th20分钟,th在每小时1.8英里的速度(CI min1分钟= 1.780,CI十分钟= 1.791,CI20分钟= 1.791)。CI值更快的速度行走,3.6英里每小时和5.4英里每小时,20分钟步行期间显示出类似的模式。


图3
复杂指数(MSE的求和的时间尺度二维足底压力的值)图片1圣分钟,10th20分钟,th分在三个步行速度(1.8,3.6,和5.4英里/小时)。 表明 。

图4显示了MSE二维值在1圣敏在3步行速度。这是发现MSE二维足底压力值低于1.8英里走后在3.6英里每小时和5.4英里(τ= 1,τ1.8英里vs。τ3.6英里= 0.296和0.304,τ1.8英里vs。τ5.4英里= 0.296和0.305;τ= 2,τ1.8英里vs。τ3.6英里= 0.360和0.364,τ1.8英里vs。τ5.4英里= 0.360和0.364, )。


图4
均方误差二维从时间尺度的足底压力值图像τ1 = 1到5圣分在三个步行速度(1.8,3.6,和5.4英里/小时)。 表明 。

图5显示了足底压力图像的复杂度指数在1圣敏在3步行速度。CI值显著增加(CI1.8英里与CI3.6英里= 1.780和1.790, ;CI1.8英里与CI5.4英里= 1.780和1.792, )。


图5
足底压力图像的复杂度指数1圣分在三个步行速度(1.8,3.6,和5.4英里/小时)。 表明 。

4所示。讨论

两度空间的多尺度熵是用来评估的复杂性足底压力模式首次走速度不同。我们的研究结果表明,行走的复杂性指数(CI)值在1.8英里每小时显著降低在20分钟后开始而走;和醒着的3.6和5.4英里每小时20分钟走后没有明显改变。本研究的发现并不支持我们的假设,快走的速度会减少足底压力图像的复杂性。虽然确切的意义不能被量化通过这项研究,我们的研究结果表明,缓慢的行走(1.8英里)可能不是好的姿势控制由于其低复杂度指数。我们的研究提供了第一个证据,足底压力模式的复杂性变化后步行速度不同。

根据均方误差的结果二维分析在这项研究中,它揭示了MSE二维值走较长的持续时间增加( )当时间尺度τ= 1和2的1.8英里步行速度,而不是其他的速度。此外,我们的研究表明,MSE二维足底压力值后20分钟步行在1.8英里都高于3.6英里每小时和5.4英里( )当τ1 = 1和2圣分钟(走的开始)。因此,MSE二维分析可以用来研究复杂性的差异行走时足底压力模式。同时,CI值以步行的速度显著增加( )以每小时1.8英里的步行速度在1圣分钟,10th20分钟,th分钟。根据之前的研究,正常行走的复杂性与最高缓慢和行走速度快27]。因此,它可能会猜测,缓慢的行走速度每小时1.8英里的可能不是一个好的姿势控制的低复杂度指数。另一方面,步行20分钟后,CI值显著增加( )在1.8英里。这可能是足够的步行时间(即后推测。,20.米我nutes in this study), the subjects learned how to walk at this slower speed and improve the postural control (higher complexity index at the end of 20 min walking).

在医学图像处理中的应用(足底压力分布在这项研究中(图1)),医学图像预处理的主要目的是提高检测的图像特征。通常,它是由像素在空间域或频域的谱,如图像平均滤波、空间滤波、直方图均衡化,图像减法,图像分割,阈值法、区域生长,和形态28]。“熵”的概念是从热力学评价文本的功能,如结构差异或复杂性。图像识别技术可以区分图像的具体特点,从图像中提取有用的数据。图像特征识别的方法可能包括最小距离分类、模糊分类方法,神经网络模型训练(29日]。因为图像的空间频率成分信息是非线性的,线性的方法可能限制来检测这些图像的非线性特性。因为大多数生物系统是复杂的,非线性方法,如二维的多尺度熵,应该使用(19,20.]。

传统线性足底压力分析被广泛用于调查步行速度如何影响步态模式,表明足底压力峰值在全球范围内提升与增加步行速度(30.- - - - - -34]。此外,一些线性参数计算从警察也提出了潜在的预测下降的风险(35- - - - - -38]。关于非线性足底压力分析,我们以前的工作使用一维MSE方法来分析警察,展示类似的结果。警察的调查结果表明,复杂性大大降低在3公里/小时步行比6公里/小时(39]。前面的文献也赞同走路更快的步长较短的结果可能会提高稳定性(40,41]。可怜的姿势和平衡控制(例如,老年人)宁愿走路更缓慢的步长较短,这可能是一个损害行走稳定(42- - - - - -44]。当前的研究可能是第一个来分析二维的MSE的足底压力分布,这表明评估姿势控制用这种方法可能是有用的除了传统的线性分析提供有价值的知识。线性分析患者的足底压力仍然是重要的显著不良姿势控制,但这种复杂性分析可能是有用的监测姿势控制的早期损伤。

目前的研究结果显示,足底压力走1.8英里的图像的复杂性是显著降低而走在3.6和5.4英里每小时可以移植到当前的临床实践。人们与姿态控制问题,我们想推荐这些人步行更快提高姿势控制而不是慢慢地基于足底压力分布模式。在这项研究中,足底压力测量系统用于测量足底压力各种行走活动期间在实验室设置。然而,最近的研究证明了使用低成本的便携式系统监测的可行性足底压力和人识别(45,46]。这些系统将允许研究人员监测人们的现实生活中的体育活动的风险下降。等传统的线性分析足底压力峰值足底压力和地区分布比率(前脚与后方foo)提出了在这些低成本的系统。二维的多尺度熵方法在本研究中可以集成到这些系统为提高病理步态通过描述非线性特性的检测足底压力(47]。最新的体育活动指导方针由世界卫生组织(世卫组织)发表还建议成年人和老年人每周执行中度到剧烈运动(48]。因此,建议人们走路速度不仅有助于姿势控制也提高心血管健康。

本研究的局限性。首先,我们招募了健康受试者在这项研究而不是病态的病人。目前尚不清楚有关病理条件之间的相互作用(例如,老龄化和糖尿病神经病变)和行走条件(例如,各种行走速度和持续时间)对足底压力模式的复杂性。未来的研究可能招募患者群体。第二,走在本研究的持续时间20分钟。未来的研究可能检查行走持续时间更长,发生在日常活动。

5。结论

二维的多尺度熵被用来分析足底压力图像在不同行走速度20分钟后第一次散步。我们的研究结果表明,二维的多尺度熵是有用的变化特征的复杂性足底压力模式。根据研究结果,它表明,步行每小时1.8英里的速度可能不是有益的姿势控制由于其低复杂度指数与3.6和5.4英里。这项研究表明二维的多尺度熵是一种工具来评估足底压力变化后不同行走速度。

数据可用性

使用的数据来支持本研究可从相应的作者在一个合理的请求。

的利益冲突

作者宣称没有利益冲突。