临床步态分析:描述正常步态和神经疾病导致的病态偏差

科学领域:

• 生物力学 生物力学
• 神经学 神经学
• 数据科学数据科学数据科学

背景情况:

• 描述正常步行和病理偏差对于诊断神经系统疾病至关重要.
• 目前的方法通常依赖于平均步态模式,可能缺少个体变异.

研究的目的:

• 开发一种无监督的方法,使用真实步行周期来表征正常步行形状 (NGP).
• 量化这些NGP的病态步态偏差.
• 为了分层偏差和评估神经疾病中的运动障碍.

主要方法:

• 无监督学习使用动态时间扭曲 (DTW) 来识别不同的正常步行形状 (NGP).
• 使用NGP通过DTW测量病态步行周期的偏差.
• 应用层次聚类来分类步态偏差.

主要成果:

• 三种不同的NGP被确定为准确描述正常步行异质性的必要条件.
• 该方法有效量化病态步态偏差,识别半患者的受影响四肢,并评估和四患者的损伤严重程度.
• 原始步态信号,没有正常化,保留关键的动态信息,用于准确的偏差测量.

结论:

• 拟议的方法提供了一种强大的方法来分析神经疾病中的步态异常.
• 它为量化运动障碍和潜在评估康复治疗提供了一个敏感的工具.
• 保持步行信号的时间动态对于准确的病理评估至关重要.