文摘

一只脚放置惯性传感器通常用于脚跟冲击(HS)和脚趾头()事件检测。然而,在临床实践中,这种传感器位置可能很难甚至不可能由于畸形患者的脚。本文的第一个贡献是一个新的商品和事件检测算法情况下传感器被放置在外踝上。这种传感器位置允许脚部畸形患者的步态分析。此外,传感器的位置直接在广泛的外踝骨表面行走时确保安全固定传感器。该算法是基于深层神经网络,可以很容易地适应(通过训练神经网络)各种病理步态模式的分析。尤其重要的是在临床实践中当可能的病理步态模式的数量是非常大的。实现的算法提出了一种新的可穿戴系统临床步态分析。第二个贡献是验证这种新的可穿戴系统。这两个算法的性能和步态分析系统评估与参考使用跑步机系统,一个capacitance-based压力平台。 A total of 117 healthy volunteers participated in the comparison (62 males and 55 females, age 24–55 years, height 162–183 cm). They were asked to perform 2 min walking trials with different speed. 是 年代的步态周期, 步骤/分钟节奏, %的立场阶段, 针对单一的支持, 的双重支持, 为负载响应 preswing。该算法的局限性和同情与最先进的算法进行了讨论。

1。介绍

步态分析是应用最广泛的方法之一,运动障碍的诊断1- - - - - -4]。今天,有步态分析系统使用不同的技术:光学运动捕捉、压力分布测量(压力平台,脚鞋垫等),结合技术等。

近年来,惯性测量单元(艾莫斯、惯性传感器)包含加速度计、陀螺仪,通常磁力计开始申请步态分析(5- - - - - -10]。他们的优势与其他技术相比:迷你大小、轻量级、和可移植性;可以很容易地在室内和室外使用;能够记录的运动身体的任何部分(手臂、脊柱、头,等等);和低成本的IMU芯片,使这种系统负担得起的。

发展的一个新的临床步态分析系统使用惯性传感器的终极目标是本文的作者。为了这个目的,我们已经创建了新的Neurosens惯性传感器包含一个3 d(三维)加速度计и三维陀螺仪。我们还开发了一种新的算法脚跟冲击(HS)和脚趾头()事件检测基于深层神经网络。

以下要求是对开发系统。首先,正确的传感器位置应该是可能的各种解剖疾病患者。传感器定位应该最大限度地防止传感器运动位移造成的软组织。其次,HS和事件检测的算法应该很容易被修改为新组患者病理各种类型的运动。

不同的传感器定位的文献,从头部和传感器可以放置11)的脚(12]。在大多数情况下,一个two-sensor配置时使用两个传感器定位脚(5,8,13- - - - - -15]。另一种方法是把小腿上的传感器。Shank-worn传感器显示低信号变化主题之间如果foot-worn传感器相比16]。特殊的鞋或鞋配件不需要在这种情况下,减少了准备运行时间。此外,柄位置提供了准确的测量和健康受试者中的事件检测(17,18),如果在平地行走步态障碍(18- - - - - -20.]。

在我们的系统中,我们决定把传感器放在侧malleoli由于解剖这个地区缩小;传感器可以安全地固定。稳定性是通过将传感器直接在宽外踝骨表面;这样的定位也有助于减少传感器位移引起的软组织运动。同时,也妨碍了踝关节的运动。这个传感器位置的另一个原因是,很多的患者(例如,脑瘫)患有足部畸形,从而防止稳定固定脚上的传感器。除此之外,这类病人的脚运动可以混乱和不受控制的,可以降低商品的性能和检测算法。

检测HS和事件,我们决定使用基于深层神经网络算法。有许多的HS算法和基于局部极值检测测定陀螺仪和加速度计数据使用阈值技术5,19,21- - - - - -23]。然而,如果表现不佳的确定性算法在一个新的病人组,可能需要修改整个算法其完成替换。而基于神经网络的算法,一个简单的神经网络可以充分的培训,在我们看来,这是更昂贵的比修改确定性算法。

我们找不到HS和事件检测算法基于神经网络的shank-worn传感器放置在文献中。在[9,23),传感器放置在外踝,但使用阈值算法。在[24,25),神经网络用于商品和事件检测,但传感器位置与外踝不同。王等人。26]提出了一种递归神经网络(RNN)检测商品事件(而不是事件)与传感器放置在外踝上。使用相同的传感器位置,Sarshar et al。10)设计RNN的检测足(脚接触地面时的时间点),送进(时间点当脚离开地面)事件。这些事件时移而HS和事件。因此,我们决定开发一个新的商品和事件检测算法。

总之,我们的主要贡献是一种新的神经网络算法的开发HS和IMU时检测的传感器放置在外踝,以及验证的步态分析系统的使用提出了HS和事件检测算法和新的Neurosens IMU传感器。

2。材料和方法

2.1。传感器数据

Neurosens无线传感器(由Neurosoft、俄罗斯)被用来获取步态数据。技术规格的传感器是以下:3 d加速器(输出频率:200 Hz,范围:±16 g),三维陀螺仪(输出频率:200 Hz,范围:±2000°/ s),和无线接口:wi - fi。

数据传输的过程从传感器到个人电脑使用wi - fi路由器进行。稳定的软件(Neurosoft、俄罗斯)是用于数据收集、处理和传感器同步(同步 )。

2.2。传感器的位置

在本文中,我们考虑的情况下传感器放在小腿上。即传感器放置在外踝和固定使用弹性肩带,如图1。


图1
使用弹性肩带传感器放置在小腿上。
2.3。参考系统

的RehaWalk®(德国Zebris医疗GmbH)立场和步态分析作为参考系统。这个系统由一个安置在跑步机上capacitance-based压力平台。平台的感应区域的压力 包含7168个传感器,每个大约 。跑步机的接触表面 ,和皮带速度可以调整0.2至22公里/小时,每隔0.1 km / h。压力平台的数据通过USB接口传输到计算机。采样率为200 Hz。Zebris测量套装软件1.18版本是用于获取步态参数的测量。

2.4。主题和试验

健康的志愿者参加这项研究被分为两组。第一组的主要数据集被用来获得深层神经网络训练。这组包括60个主题(30男性和30名女性,年龄在18 - 62岁,身高153 - 192厘米)。第二组是用来获得抵抗数据集(这个数据集是不以任何方式用于网络训练),这是用于比较建议和参考系统的准确度和精密度。这一组包括117名被试(62男性和55岁女性,24-55岁,身高162 - 183厘米)。之前所有的参与者给书面知情同意参与这项研究。这项研究得到当地的研究伦理委员会的批准。

表中列出的参与者走不同的速度1。

表1
行走速度。

每一个主题是走在RehaWalk®跑步机系统(参考系统)。两到五分钟有科目适应跑步机的速度。之后,步态参数记录使用引用,提出系统在同一时间。每个试验持续了两分钟。

2.5。主数据收集

以下步骤进行在第一组在每一个审判的主要数据集:(1)原始数据(每个传感器的加速度计和陀螺仪数据)保存;(2)商品信息和事件提取RehaWalk®跑步机系统使用“导出到XML”功能;(3)传感器数据和参考数据是通过同步的同步输入/输出接口RehaWalk®跑步机系统。

3所示。方法

3.1。HS和事件检测算法

我们开发了三个模型基于深层神经网络对HS和检测:HS和初始检测模型,HS细化模型,优化模型。模型分别申请每条腿。神经网络是在Python 3.6.5 TensorFlow 1.9.0 [27]和Keras 2.2.0 [28)库。

3.1.1。HS和初始检测模型

这个模型是一个卷积神经网络由8卷积层,2输入层(1到6卷积层:首先输入分支;7到8卷积层:第二输入分支),输出层(图12(一个))。下一个语句是申请的每个卷积层提出网络:ReLU激活函数(29日这是定义为 ;过滤器= 6;内核大小= 2;步等于1。

(一)
(一)
(b)
(b)
图2
(一)商品和初始检测模型架构。(b) HS和细化模型架构。

扩张卷积(30.)使用从2到5层(第一次输入分支)与膨胀率2n1,在那里 层数。扩张卷积的定义是:

让 是一个离散的函数。让 ,让 是一个离散滤波器的尺寸 。离散卷积算子 可以被定义为

在这里, 是一个 - - - - - -扩张卷积。常见的离散卷积 只是1扩张卷积。

对内核初始化Glorot均匀初始化(31日使用)。它被定义为 在哪里 是一个随机均匀分布, 传入的连接的数量或“扇入”层,然后呢 即将离任的连接的数量于层,也被称为“扇出。”

60步伐的网络分析数据段(时间点)持续时间重叠20步伐。这个时间被选中,是因为我们想给网络尽可能多的时间信息,但与此同时,我们并不想混淆网络培训期间,喂养段HS和事件发生。事实上,网络作出决定仅为20步伐在中间的这部分,剩下的步伐作为附加信息。20步伐选择因为他们代表的时间稍微小于商品之间的最小时间,并在我们的数据集。

最后的输出卷积层转移到致密层和一个输出大小等于3。重初始化这一层,一个统一的初始化器是被定义为使用 ,在哪里 是一个随机均匀分布。

然后,这一层的输出转移到网络的最后一层。

最后一层的网络是一个softmax32函数定义如下:

让 当定义 ;然后 在哪里 和 是类的数量(等于3)。

这一层产生一个三维的输出向量为每个数据段分析代表概率分布在三个可能的类,如(1)数据段包含商品,(2)数据段包含,(3)不包含海关和数据段。

辍学(33)(辍学率等于0.1)和L2-regularization [34)(正则化因子 等于104)是用来防止过度拟合。L2-regularization被定义为

交叉熵作为损失函数,定义为 在哪里 是类的数量(= 3), 是目标向量,然后呢 网络是一个输出向量。

HS和初始检测模型的参数表2。

表2
参数检测模型的层。

输入和输出维度的各层网络上面描述的完全由层参数定义和维度下面描述的输入数据。

第一个输入层数据预处理:数据段是第一个输入层为一个矩阵 由三轴加速度计和三轴陀螺仪时间序列(序列值随着时间的推移),那里的行对应于时间序列和列步伐(图3)。为每一行 min-max正常化从0到1,定义为 。


图3
矩阵的第一个输入层。

数据预处理的第二个输入层:美联储第二个输入层数据矩阵 由皮尔森相关系数,定义如下。

鉴于配对数据 组成的 双( 等于60), 被定义为 在哪里 是对应向量的平均值。

这些系数计算如下:当前矩阵第一输入层和每节课的最后三个矩阵(矩阵共有9个)矩阵之前美联储已经分类的第一个输入层和所使用的模型。皮尔森相关系数计算当前矩阵的行之间的九个矩阵(图和相应的行4)。这个信息被用作网络内存和我们的实验表明,它有助于增加商品和检测的鲁棒性。


图4
矩阵美联储第二个输入层。 :当前矩阵第一个输入层(下标是一行索引); :第一节课的最后三个矩阵; :最后三个矩阵的第二课堂; :最后三个矩阵的第三类。
3.1.2。HS细化模型

这个模型是一个卷积神经网络由3卷积层,1输入层和输出层(图12 (b))。下一个语句为每个卷积层提出的网络应用。PReLU激活函数(35这是定义如下: 在参数 是学会了和其他神经网络参数。过滤器的数量等于12,内核大小等于6,跨步= 1。

使用扩张卷积从第二到第三层的膨胀率2n1,在那里 层数。Glorot均匀初始化用于内核初始化。美联储的数据第一个输入层的初始检测模型和分类的第一节课是作为输入数据的细化模型。最后的输出卷积层转移到致密层和一个输出大小等于20。重初始化这一层,一个统一的初始化器是被定义为使用 ,在哪里 是一个随机均匀分布。然后,这一层的输出转移到网络的最后一层。

Softmax函数是作为最后一个网络层,它收益率向量代表概率分布超过20类,每个类对应的步伐在中间20步伐的一个输入数据段当HS事件发生。

辍学(辍学率等于0.2)和L2-regularization(正则化因子 等于104)是用来防止过度拟合。交叉熵作为损失函数。

HS细化模型的参数表3。

表3
HS细化模型层的参数。

输入和输出的各层网络的完全由层参数定义和维度上面描述的输入数据。

3.1.3。改进模型

该模型的体系结构是一样的部分中描述的体系结构模型3.1。2。该模型仅适用于那些由最初的分类检测的数据段模型作为第二个类。

3.1.4。模型训练

patient-wise网络培训,我们的主要数据集分为两个数据集:验证组(20例)和剩余组(40例)。我们使用5倍交叉验证方案。其余组分为五个半随机的方式折叠,以便每个折叠包含数据从四个男人和四个女人获得每个行走的速度。在每个迭代中,褶皱被选为测试集,其余四个折叠用作训练集。这个过程重复了五次。在每个迭代中,检测模型训练超过300时代,每个细化模型训练超过2500时代。选择最好的模型在每个迭代中,然后,这些模型是平均超过所有迭代评估最终模型的性能。用于调优hyperparameters验证集。网络被训练使用Nesterov亚当优化器(36)与批处理大小为256片段,学习速率等于0.002, 等于0.9, 等于0.999。

图5显示了该算法的整个工作流的脚跟冲击检测(脚趾头检测以同样的方式执行)。


图5
算法流程确定脚跟罢工的时刻。

4所示。结果

4.1。HS和检测

性能评估最终的检测模型,计算敏感性和特异性。每个记录从坚持数据集(这个数据集是不以任何方式用于网络训练)被划分为一系列的0.1秒(20步伐)段。,对于每一个部分,它是确定模型如何执行的真阳性(TP,模型输出商品或商品或和注释,分别),真阴性(TN,模型输出既不是商品,也不是,和注释既不是商品,也不是,分别),假阳性(FP,模型输出商品或注释HS和时,分别),和假阴性(FN,模型输出既不是商品,也不是在海关或注释,分别)。然后,每个的总计数 , , , 计算在整个数据集。然后,(SE)的敏感性和特异性(SP)计算如下:

结果HS和表中可以看到4。

表4
敏感性,特异性,阈值模型的准确性。

评估最终的细化模型性能、阈值计算精度。坚持每个记录的数据集(这个数据集是不以任何方式用于网络训练)被划分为一系列的0.1秒(20步伐)段。然后,只有部分商品或在场的注释。然后,阈值精度(TA) 25毫秒HS和窗口,分别计算如下: 在哪里 是一个部分的总数,HS的注释或出现在整个数据集,然后呢 段的数量来自哪里 段的 是真的在整个数据集(5步伐等于25毫秒),在哪里 是输出向量的优化模型和 是参考向量。

结果值的助教HS细化表列出模型和优化模型4。

4.2。步态分析系统的验证

来验证提出的稳定步态分析系统,下面的步态参数的平均值计算从坚持为每一个记录集:步态周期,一步,抑扬顿挫,步态阶段(阶段,立场摇摆不定的阶段,单一的支持,双支持,负载响应,和preswing)。根据冬季(步态参数计算2]。平均值计算在整个试验持续时间。

然后,我们计算了绝对差(ɛ)之间的参考和提出系统每个步态参数的每一个主题。准确性(意思是ɛ)和精密(标准差,性病的ɛ)估计为每个步态参数表5。随着绝对差,我们计算相对偏差(rel。ɛ),每个不同的价值ɛ除以相应的参考价值,表示为一个百分比。

表5
参考并提出系统之间的差异和相对差异。

5。讨论

在介绍中提到的,我们找不到现有的商品和基于神经网络的事件检测算法的shank-worn传感器放置在文献中。因此,直接比较算法的准确性和步态分析系统基于该算法很难进行。此外,所有这些研究不同研究对象的抽样。因此,(9)健康受试者进行测试,19)研究数据集包括coxarthorosis主题和人工髋关节置换术患者,和[26关注健康的老年人,与帕金森病中风主题和主题。此外,不同的研究使用不同的商品和事件检测标准。例如,[9]应用光电动作捕捉系统来确定参考事件,(19使用力板,(26)发现通过陀螺仪信号从传感器定位参考事件在小腿上。

然而,我们我们的算法与其他算法相比,在传感器放在小腿上。精度对步态周期和节奏(类似9];Renggli等人报道绝对错误 对步态周期和 步骤/分钟。节奏。稍差的结果提出系统相比Salarian et al。19),例如,Salarian等人得到错误 对步态周期。

马里安尼et al。8脚上的传感器和报告错误)用于负载响应,单一的支持和preswing立场阶段的百分数表示。记者为我们的系统错误百分数表示的立场阶段略低。

在商品的选择算法和基于神经网络事件检测,王et al。26)有稍微更好的敏感性检测商品价值99.65%以上的事件。这样的高价值可以部分解释,王等人使用陀螺仪信号定义参考商品事件也在神经网络训练使用。

研究设计,以及作者分析的参数,不同的上述研究,使直接比较并不总是可能的。一般来说,我们可以得出结论,该算法的性能类似于其他先进的算法。与此同时,其他研究中获得的准确度和精密度的差异相比,该算法从临床的角度没有显著的渺小获得错误的绝对值。

值得注意的是,该算法有一定的局限性,如同时使用3 d加速计和三维陀螺仪是强制性的。修改模型只使用数据从一个传感器(例如,加速度计)或较少的自由度(例如,1 d和2 d)是可能的,但可能会导致运动的完整重建以来更糟糕的表现没有3 d数据是不可能的。另一个限制是,该算法仅支持200赫兹的频率。修改模型来支持其他频率是可能的,尽管低频率将直接减少算法的准确性。最后一个与搜索算法的局限性。执行搜索的算法只对各自的腿的脚跟冲击和toe-offs传感器连接(例如,向左或向右,分别)。因此,计算产生的步态参数(如双支持),使用2传感器(左边和右腿)是强制性的。

同时,算法描述没有很大的局限性有关传感器固定的地方。例如,可以使用主数据集,传感器连接到脚。没有限制对于各种病理步态模式研究的主题或腿截肢踝关节以上(如果有义肢)。然而,该算法性能在所有这些情况下需要额外的研究。

6。结论

在这篇文章中,我们介绍了新的神经网络算法对HS和使用可穿戴IMU事件检测传感器放在外踝上。

我们使用该商品和事件检测算法和新的Neurosens IMU传感器构建新的步态分析系统。

在本文中,我们评估性能的新算法和新的步态分析系统,并与其他先进的结果是类似的算法。

我们希望本文将有利于所有专家参与临床步态分析系统的发展。

数据可用性

没有原始数据附加到这篇文章。主要数据和其他材料可以从作者的要求。

的利益冲突

作者宣称没有利益冲突。