通过多体动力学和增强稳定性指标，实现病理步态分析与识别的综合生物力学框架

《Pattern Recognition》：Integrated Biomechanical Framework for Pathological Gait Analysis and Recognition via Multibody Dynamics and Enhanced Stability Metrics

本研究提出整合多体动力学与优化稳定边界指标（MoS）的框架，通过高精度步态特征提取与分类，实现iNPH、偏瘫及脊髓损伤患者的步态模式鉴别，为临床诊断和康复评估提供定量工具。

　　

潘永军|陈伟高|王子璐|聂晓波|米科拉·阿基

重庆大学机械与车辆工程学院，中国重庆，400044

摘要

在最近的生物力学研究中，准确提取病理步态特征和精确量化稳定性仍然是一个关键挑战，这严重限制了在疾病诊断、跌倒风险评估和康复监测方面的临床能力。本研究通过一个综合的生物力学框架来解决这些限制，该框架将人体多体动力学与增强的稳定性边际（MoS）指标相结合，用于多维步态特征描述。人体多体系统模型能够捕捉复杂的生物力学相互作用和稳定性边界，并实现病理步态的高精度识别。该方法包括使用运动捕捉系统从26个解剖标记点获取三轴位移/速度曲线以及踝关节/膝关节角度数据，从而开发用于计算质心轨迹的多体生物力学模型。通过对正常步态和病理步态模式（特发性正常压力脑积水[iNPH]、偏瘫[HP]、脊髓损伤[SCI]）的时空参数进行比较分析，有助于提取区分性特征，并通过快速傅里叶变换对关节运动学进行频域分解。此外，我们开发了四种优化的MoS方法，并将其与其他稳定性标准（包括传统的MoS、最大李雅普诺夫指数（LyE）和步宽特异性）进行了基准测试。结果表明，改进的MoS2方法在评估病理步态稳定性方面最为准确。最后，这些生物力学描述符被整合到一个综合特征集中，并使用模式识别框架实现对步态模式的稳健分类，为老年人群的步态分析建立了具有临床应用价值的框架。这一综合框架提供了量化工具，用于阐明稳定性退化机制，为诊断支持和治疗结果评估提供了一种可临床转化的方法。

引言

人类步态包括行走过程中的全身协调运动模式，不仅涉及步速、步长、步频和周期持续时间等时空参数，还包括关节运动学、肌肉协调性和姿势控制机制[1]、[2]、[3]。神经肌肉功能障碍经常破坏这种复杂的运动协同性，表现为临床可观察到的步态异常，如速度减慢、侧向摇晃增加以及步态间的变异性[4]、[5]、[6]、[7]。作为生理完整性的重要生物标志物，步态模式反映了个体的感觉运动功能能力，使临床医生能够通过系统分析在早期阶段检测到运动障碍。这种分析方法不仅有助于及时实施治疗干预，还能通过精确描述患者的特定步态特征来支持定制康复策略的制定。这种诊断范式对于管理常见的神经性疾病——特发性正常压力脑积水（iNPH）、偏瘫（HP）和脊髓损伤（SCI）尤为重要，在这些疾病中，全面的步态评估显著提高了诊断准确性、跌倒风险分层和康复结果监测[8]、[9]。

步态特征提取是生物力学分析的核心，它通过识别量化运动模式的区分性参数来实现对运动功能的客观评估。现代方法主要采用机器学习（ML）和基于传感器的技术来处理异构步态数据[10]、[11]、[12]。使用视觉数据（例如OpenPose、DeepCut）的ML框架通过成本效益高的姿态估计和从视频输入中预测参数展示了临床实用性[13]、[14]、[15]。基于传感器的方法提供了高精度补充：超声波传感器用于跟踪肌肉动态以估计关节扭矩[16]，深度传感器结合iPi Mocap Studio分析帕金森病步态[17]，惯性传感器测量3D运动学以评估骨关节炎[18]。直接分析传感器数据（如地面反作用力振荡）进一步丰富了特征提取[19]。步态稳定性分析量化了对抗扰动的动态平衡维持能力，这对于跌倒风险预测至关重要。已建立的指标包括最大李雅普诺夫指数（LyE）、步态特异性、Tinetti/Berg量表和去趋势波动分析[20]、[21]、[22]。基于倒立摆动力学的稳定性边际（MoS）因其生物力学通用性而脱颖而出。Hof等人将MoS定义为外推质心（XCoM）与支撑基底边界之间的距离[23]，后来Maus等人通过虚拟枢轴建模进行了改进[24]，Inagaki等人通过步态参数相关性进行了扩展[25]。最近，这一指标已被整合到一个基于计算机视觉的预测框架中，以定量评估步态稳定性[26]。计算步态解码通过解码生物力学特征来对病理模式进行分类，将运动学生物标志物与疾病进展相关联。基于ML的框架在准确性上超越了传统方法，应用范围涵盖了正常和病理步态分析。从OpenPose衍生的运动分类[27]、基于质心（CoM）能量的步态模式区分[28]以及用于帕金森病诊断的深度学习模型[29]、[30]体现了这一进步。直接参数比较（例如步长、关节角度）进一步区分了帕金森病和iNPH等病理状况[31]。

尽管取得了进展，但最近的步态分析协议仍存在局限性。标准化指标（速度、步长、关节角度）[32]常常忽略了肢体间的协调细节，使得具有重叠特征的病理状况（例如PD与iNPH）难以区分。单方面特征提取和MoS仅关注单肢支撑期间的前后稳定性，限制了在多种承重条件下的全面稳定性评估，这突显了需要多维分析框架的必要性。为了克服这些限制，本研究提出了一个综合的生物力学框架，将质心动力学与增强的运动学指标相结合，用于多维特征表示和稳定性评估。通过涉及运动捕捉技术的结构化过程，系统地获取了来自26个解剖标志点的运动学数据，捕捉三维位移向量、速度曲线和关节活动模式。分析流程包括对角运动学和平移运动参数的时间和频谱域检查，同时实施了一种扩展了传统单向评估的增强稳定性评估协议。通过综合这些多体衍生的生物力学特征，所提出的框架能够实现对正常步态和三种不同病理运动类型的稳健描述和区分。本工作的亮点如下：

-

提出了一组改进的MoS方法，与传统的MoS、最大李雅普诺夫指数（LyE）和步宽特异性相比，在病理步态稳定性评估中表现出更高的准确性。

-

提出了一种基于质心合成的精确病理步态特征提取方法。

-

进行了全面的步态特征分析，超越了仅关注步态参数的范围。

-

通过利用全面的生物力学特征，在综合框架内实现了对病理步态类型的准确模式识别。

本工作的其余部分结构如下。第2节描述了通过实验设置的数据获取过程。第3节专门分析来自多个角度的病理步态数据并提取准确的病理步态特征。第4节分析了现有MoS在病理步态稳定性分析中的局限性，提出了四项改进措施，并验证了增强MoS的有效性。随后，第5节应用深度学习（DL）算法实现对正常步态和三种病理步态的精确模式识别。第6节讨论了临床转化途径和未来研究方向。最后，第7节总结了整个工作。

节选内容

实验设置和数据获取

当前的步态分析方法主要依赖于汇总的运动参数，这些参数无法充分捕捉局部生物力学相互作用。为了解决这一限制，我们的实验协议采用高分辨率运动捕捉框架记录来自26个解剖标记点的三维位移向量、瞬时速度曲线和矢状面角运动学，特别关注胫股关节和距小腿关节的力学。

多维数据分析和特征提取

本节采用了一个三部分分析框架，结合分散度量、非参数统计比较和时间依赖性评估，对正常步态和三种病理变体的位移和速度模式进行比较分析，从而识别出病理步态模式的区分性特征序列。作为这些时域检查的补充，我们实施了频谱分解技术来描述

用于稳定性分析的增强型MoS方法

传统的MoS方法虽然在评估步态稳定性和跌倒风险方面具有概念简单性和实际效用，但由于其仅关注单肢支撑期间的前后稳定性而存在固有局限性。在本节中，我们提出了四种从原始范式派生的增强型MoS计算框架，专门用于病理步态评估。这些方法论改进使得稳定性量化成为可能

基于DL的病理步态识别

我们介绍了三种新颖的算法框架，即SOM-BP、Transformer-GRU和BSLO-XGBoost，用于病理步态模式识别，这是它们在该领域的首次应用（SOM-BP模型作为参考）。SOM-BP是一种混合神经网络模型，它结合了自组织映射（SOM）和反向传播（BP）算法。它利用SOM的无监督学习进行特征提取和拓扑保持，然后利用BP的监督学习进行精确

讨论

为了弥合精确模拟与临床之间的差距并建立可行的转化途径，我们提出了一个基于迁移学习原则的分阶段验证框架。在第一阶段，当前基于多体动力学的特征提取流程——包括26个标记点的运动学处理、质心合成和增强型MoS计算——将被固定为预处理前端。这一设计选择是有意为之：这些基于物理的信息特征是从第一原理推导出来的

结论

本研究提出了一种用于病理步态多维分析的综合方法，重点在于特征提取、稳定性评估和高精度模式识别。通过利用来自26个标记点运动捕捉数据的动态质心合成，并提出增强型MoS技术，该方法实现了对正常步态和三种不同病理步态类型的稳健描述和分类。主要结论总结如下

CRediT作者贡献声明

潘永军：撰写——原始草稿，监督，方法论，研究，数据管理，概念化。陈伟高：撰写——原始草稿，软件，方法论，研究，数据管理。王子璐：监督，方法论，数据管理，概念化。聂晓波：方法论，数据管理。米科拉·阿基：撰写——审阅与编辑。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。