脑卒中患者异常步态的识别分类技术

本文主要介绍了脑卒中患者异常步态的识别分类技术。其中详细介绍了基于可穿戴传感器和基于摄像头的步态识别技术，包括加速度计、陀螺仪、压力传感器和摄像头等相关技术。同时，介绍了基于机器学习的步态识别技术，包括特征提取和分类算法方面。最后讨论了步态识别技术的局限性和未来发展方向，包括技术局限性、研究挑战和未来发展方向等方面。本文旨在为脑卒中康复领域的研究者提供技术支持和发展方向的参考。

脑卒中是一种常见的神经系统疾病，患者可能出现肢体瘫痪、言语障碍、认知障碍和步态异常等症状，其中步态异常是患者康复后期常见的康复问题之一。对患者的生活质量和康复治疗效果有着很大的影响。异常步态会影响患者的生活质量和社交功能，也会增加患者的跌倒和受伤风险。因此，准确识别和监测患者的步态异常情况，对于康复治疗的效果具有重要意义。

步行是人类的一项基本活动，需要肌肉、大脑和神经的共同作用。步态是指通过步行实现的循环运动。这包括手臂、腿、臀部、脚和四肢的运动[1]。步态识别应用广泛，主要分为两类，一种在临床方面对于正常步态和异常步态的识别。另一种是在国防和生物认证方面对于个人身份的鉴定[2]。脑卒中患者异常步态的识别属于前者中的病理性的异常步态的识别。

步行能力可以反映脑卒中后病情严重程度，识别其步态状态可以定量定性脑卒中康复程度。随着步态识别的深入研究，步态识别技术已经相对成熟。有些研究者开始针对特定病症步态进行应用研究。比如脑卒中异常步态。励建安等[3]针对脑卒中的异常步态进行研究分析并给出相应治疗对策。赵军等[4]通过研究脑卒中偏瘫患者的步态特点，发现其步态特点主要与步速、步态周期、双腿支撑期比例、单腿支撑期的比例相关。在目前的异常步态数据采集方式中，基于可穿戴传感器的步态数据采集系统价格便宜且可实现多种数据采集，多数研究者使用基于可穿戴传感器的系统进行步态数据采集。设计时可以将加速度计[5]和陀螺仪[6]、压力传感器[7]等传感器进行组合使用[8]。

还有使用深度摄像头等通过非接触式的异常步态识别方法进行人体骨骼特征点提取[9]。随着人工智能的发展，深度学习算法也被应用到异常步态识别当中。比如生成对抗网络(GAN) [10]等。