简介:摘要目的量化评估PD伴冻结步态(FOG)患者的步态特点。方法对自2019年1月至2020年11月于南京医科大学附属脑科医院老年神经科进行诊治的104例PD患者,依据患者是否伴有FOG症状将患者分为PD伴FOG组(46例)与PD不伴FOG组(58例),应用"JiBuEn"步态分析系统采集患者的步态数据,从步态时空参数及其变异性、步态运动学参数、步态参数对称性4个维度量化分析PD伴FOG患者的步态特点。结果与PD不伴FOG组比较,PD伴FOG组患者的步幅明显减小,步速明显减慢,步幅变异性、跨步时间变异性、支撑相变异性、摆动相变异性均明显升高,足趾离地角度、足跟着地角度、踝关节活动度、膝关节活动度及髋关节活动度均明显下降,步幅不对称性指数明显增高,差异均有统计学意义(P<0.05)。结论PD伴FOG患者的步态特点主要表现为短步幅、慢步速、步态参数变异性增加及运动学参数损害更显著。
简介:【摘要】: 脑瘫儿童由于持续存在的中枢性神经系统损伤,造成有姿势和运动发育上的障碍,常常伴有肌肉骨骼问题,异常的肌肉骨骼容易导致其下肢运动功能障碍,造成异常的步态,其中膝过伸步态就是脑瘫儿童的常见异常步态之一。随之科技发展,三维测量技术和计算软件开发的最新进展使人们能通过机器定量客观的用数据来表达生物力学的方法,甚至从关节方面到肌肉骨骼方面来对人体运动进行直观描述,所以,在医学上,三维步态分析是对异常步态进行评估的重要工具,并拥有多种优点。本文中就三维步态分析在脑瘫儿童膝过伸步态的运用分析的相关文献进行整理与介绍,为三维步态分析在脑瘫儿童膝过伸步态评估治疗中的更完善运用提供借鉴。
简介:摘要 近期,智能视觉技术越来越多应用到监控安防场景中,其中的步态识别技术可以通过分析行人行走序列中的姿态与动作来判断身份。传统步态识别方法的具体应用效果依旧会针对不同衣着和背包场景下步态轮廓图中的身体部位粘连、遮挡、与正常场景差异大等问题的影响。因此,本文使用人体骨架信息进行识别,来减弱上述问题造成的影响。核心思想在于使用深度学习方法,提取原始图像序列中的人体骨架关键点,据此构成步态骨架图结构以辅助后继步态识别。在具体实现中,本文引入多个相同的时空图卷积模块,使得所提取的步态骨架序列能充分融合空间维度与时间维度两方面的特征信息。实验证明,该网络在CASIA-B数据集上相对于传统的步态骨架方法,达到了更高的性能。
简介:摘要目的通过研究步态轮廓评分(GPS)和运动分析剖面图(MAP)来量化青年慢性非特异性腰痛(chronic nonspecific low back pain, CNLBP)患者和健康青年人步态周期中的运动学变化。方法采用3D光学运动捕捉系统(Qualisys,Gothenburg,Sweden)采集CNLBP组和健康组受试者各11例的步态运动学数据,将其导入索尔福德大学Richard Baker教授编写的Excel文件并计算出GPS和MAP分数,并进行统计学分析。结果右膝关节膝关节屈曲和伸展GVS值CNLBP组为(5.66±1.83)°,健康组为(3.64±1.13)°,组间比较,差异有统计学意义(P<0.01),2组受试者其余各项GVS变量和GPS组间比较,差异均无统计学意义(P>0.05)。结论青年CNLBP患者存在步态异常,GPS和MAP在青年CNLBP患者的步态评估中具有一定的适用性。
简介:摘要目的探讨激励式心理调节联合虚拟步态训练在帕金森病异常步态患者中的应用效果。方法选取郑州大学第五附属医院2017年4月至2019年4月收治的帕金森病异常步态患者86例,按随机数字表法等分成对照组和观察组,各43例。对照组选常规护理,观察组选激励式心理调节联合虚拟步态训练。对两组患者的步态参数及心理状况实施比较。结果观察组患者步速、6 min步行距离、跨步长、起立行走测试评价优于对照组;观察组患者SDS、SAS量表自评分明显低于对照组,差异均有统计学意义(均P<0.05)。结论激励式心理调节联合虚拟步态训练应用于帕金森病异常步态患者,能有效纠正其异常步态,改善其心理状况。
简介:采用实验法选取河南省4所中学在校初二年级男生200名,进行步态测试,旨在发现现阶段青少年正常行走的步态差异,并对所得结果进行相关分析。结果表明:(1)青少年行走过程中,左、右足底各区域压力具有显著差异(P〈0.05)。足底各区最大的部位足底内外侧,最小区域是2—5趾骨。体重对足底压力具有一定的差异(P〈0.05),体重是增加足底区域压力的重要因素;(2)左、右足各区域具有显著性差异(P〈0.05)。冲量最大的部位是第2跖骨,最小是第2~5趾骨,体重对足底冲量具有显著性相关性(P〈0.05);(3)左、右足底各区域接触面积第1~5跖骨具有显著差异(P〈0.05),而第1趾骨、第2~5趾骨、足弓、足跟内外侧不显著(P〉0.05)。各区域接触面积最大的是足跟内外侧,最小的是第5跖骨;(4)不同体重与步向角具有相关性(P〈0.05)。笔者研究的青少年的步向角平均在10.52±3.58°。其中35~40kg的测试者步向角为9.31±1.58。,50~55kg的测试者的步向角为11±1.58°。
简介:背景:脑瘫患儿的步态异常较常见,如何控制改善步态是康复治疗的重点。目的:分析脑瘫患儿步态的生物力学参数,并观察支具控制对不随意运动型脑瘫患儿运动能力的影响。方法:研究对比脑瘫忠儿和正常儿童在起步过程中以及步行中的生物力学参数,起步过程中的生物力学参数包括时空参数,膝、踝关节活动度的运动学参数以及动力学参数;步行中的生物力学参数包括时空参数。不随意运动型脑瘫患儿均接受支具控制辅助下徒手体位控制、减重步态训练、S.E.T的3个月治疗,治疗前后采用88项粗大运动评价量表A区和视频对照进行疗效评估。结果与结论:脑瘫患儿和正常儿童在起步过程中的生物力学参数测试对比中,除了右脚为起步脚的额状轴地面反力峰值外,其余各项生物力学参数均有明显差异;步行中的生物力学参数测试对比中,脑瘫患儿较正常儿童支撑相和双足支撑相延长、步长和复步长缩短。支具控制脑瘫忠儿观察中,与治疗前比较,GMFM88项A区平均得分显著提高,视频示患儿治疗后不自主动作减少,头颈躯干较稳定,生活能力有好转,癫痫及认知障碍和基底节区有影像学改变的患儿进步幅度较小,舞蹈一徐动型和张力障碍型比徐动痉挛型患儿运动能力进步幅度大。
简介:针对单一特征步态识别率低的问题,提出一种将步态能量图(GaitEnergyImage,GEI)中动态部分和Gabor小波特征融合的步态识别算法.首先,通过运动目标检测及二值化和形态学处理等预处理操作得到步态轮廓图,再进一步从步态轮廓图计算得到步态能量图,并从中分割出动态部分.然后,利用Gabor小波从步态能量图的动态部分中提取不同角度的信息,将两步态特征融合在一起,对融合后得到的特征向量用改进的KPCA方法进行降维.最后,将降维后的融合特征向量输入到基于多分类的支持向量机(SupportVectorMachine,SVM)中,从而完成步态的分类和识别.经过在中国科学院自动化研究所CASIA步态数据库上进行实验,取得了很好的识别效果,实验结果表明,与单一特征的步态识别方法相比,融合后算法的识别率提高了约10%.