用于中风患者步态分析和分类的深度神经网络
基于惯性传感器的中风后患者异常步态模式深度神经网络
脑卒中患者的下肢经过Brunnstrom阶段逐渐恢复,从最初的松弛状态到逐渐加重的痉挛状态,最终逐渐减轻的痉挛状态。 在整个过程中。 中风患者开始行走后,他们的步态会表现出与健康人不同的步态模式,包括环行步态、下垂足、提臀步态和膝后屈步态。
对于这些异常的步态模式,康复方法包括踝膝矫形器(AFO)或增加膝/骨盆关节的活动度来辅助。 在这项研究之前,已经进行了类似的研究来区分中风步态模式和正常步态模式,准确率超过 96%。
本研究招募了首次遭遇脑血管事件且目前可以在没有帮助的情况下在平坦表面上独立行走的受试者,研究者通过绑在双侧脚踝、手腕和骨盆上的惯性测量单元记录步态信息,以检测加速度和角速度以及其他步态参数。 本研究中使用的 IMU 由 3 轴加速度计、3 轴陀螺仪和 3 轴磁力计组成,最高采样率为 128Hz。
之后,研究人员将收集到的这些步态信息作为深度神经网络 (DNN) 模型的训练数据和测试数据,并同时比较医生的临床观察结果,以确定 DNN 模型是否能够区分异常步态模式的类型上文提到的。
如果该模型应用于社区,研究人员希望能够及早发现异常步态模式并进行早期干预,以减少跌倒受伤的可能性。
这是一项非侵入性观察研究,不涉及药物使用。 参加者只需在平坦地面上无协助步行 6 分钟。 这种风险极低,这项研究唯一可能的风险是走路时摔倒。
研究概览
详细说明
在能够开始步行训练的脑卒中患者中可以观察到异常步态模式,包括环行步态、下垂足、髋部远足和膝后屈。 脑血管事件发生后的前6个月被认为是脑卒中后康复的黄金时期,因此在此期间进行强化干预将对脑卒中患者有很大的帮助。 目前,临床治疗方法仍然严重依赖理疗师和治疗师的主观诊断,因此研究人员希望通过建立一种更客观的方法来对异常步态模式进行分类,从而为长期康复计划提供更重要的帮助。
在这项观察性研究中,研究人员计划招募 100 名首次出现单侧中风并且能够在没有帮助的情况下在平坦表面上行走 6 分钟的中风患者。 纳入标准包括年龄超过 20 岁且首次中风且下肢受影响的 Brunnstrom III-V 期和功能性行走类别 VI。 参与者应该能够在没有帮助的情况下在平坦的表面上行走 6 分钟,并且他们的简易精神状态检查 (MMSE) 应该超过 25,这意味着参与者可以遵守命令并在本研究中配合研究者。 排除标准包括中风以外的严重中枢神经系统(CNS)/周围神经系统疾病,以及行走时跌倒风险高的患者。 不能配合检测、视觉/听觉/认知严重缺陷者也排除在外。 近6个月内有下肢骨折的患者也排除在外。
调查人员从门诊诊所和物理治疗室招募参与者,患者在步态研究之前/之后不会接受任何额外的药物治疗。 通过参加本研究,参与者将不受任何限制地继续他们的物理治疗计划和医疗制度。 本研究的研究方法是将多个惯性测量单元(IMU)绑在参与者的双侧手腕、脚踝和骨盆上,要求参与者以最舒适的步伐在室内平坦的表面上行走6分钟。 本研究中使用的 IMU 由 3 轴加速度计、3 轴陀螺仪和 3 轴磁力计组成,最高采样率为 128Hz。 非侵入性矫形器,如踝足矫形器 (AFO) 可以增加步态稳定性和对称性。 同时,经验丰富的临床理疗师和物理治疗师会记录患者的步态是否表现出异常的步态,如绕行步态、下垂足、提臀步或后膝步。 参与者在完成 6 分钟的步行测试后,可以在没有任何不适的情况下离开。
构建了一个深度神经网络 (DNN) 模型来训练异常步态模式分析。 为本研究构建的 DNN 模型由输入层、6 个隐藏层、检测输出层和分类输出层组成。 每个隐藏层由 100 个神经元组成,检测输出层将每个步态数据标记为正常步态 [1,0] 或中风步态 [0,1]。 之后,分类层将每个异常的中风步态模式标记为中风步态、环行步态、下垂足、臀部远足和后膝为[1,1,1,1,1]。 本研究参与者临床步态数据采集完成后,研究者将采集到的步态数据用于DNN训练,研究者采用k折交叉验证法将参与者的步态数据随机分为5个集合,其中4个作为训练数据,其余作为测试数据,重复测试5次。 然后,研究人员将比较理疗师/治疗师所做的临床观察信息与 DNN 模型结果,以查看 DNN 模型是否可用于区分环行步态、下垂足、髋关节远足和膝后屈。
研究类型
注册 (预期的)
联系人和位置
学习地点
-
-
-
Taipei City、台湾、112401
- Cheng Hsin General Hospital
-
-
参与标准
资格标准
适合学习的年龄
接受健康志愿者
有资格学习的性别
取样方法
研究人群
描述
纳入标准:
- 20岁以上首次中风
- 并影响下肢 Brunnstrom III-V 期
- 功能性行走类别 VI
- 参与者应该能够在没有帮助的情况下在平坦的表面上行走 6 分钟
- 简易精神状态检查(MMSE)需在25岁以上,能服从命令,配合我们的学习
排除标准:
- 除中风外的严重中枢神经系统(CNS)/周围神经系统(PNS)神经系统疾病
- 行走时跌倒风险高的患者
- 不能配合检测的患者
- 有严重视觉/听觉/认知缺陷的患者
- 近6个月内下肢骨折患者
学习计划
研究是如何设计的?
设计细节
- 观测模型:仅案例
- 时间观点:横截面
研究衡量的是什么?
主要结果指标
结果测量 |
措施说明 |
大体时间 |
---|---|---|
深度神经网络 (DNN) 模型检测异常中风步态模式的准确性
大体时间:2年
|
研究人员将临床观察到的异常步态模式与 DNN 模型检测进行比较。
DNN 模型的准确性将在交叉验证后与临床观察数据进行比较,从而产生一系列标记。
研究人员将这些标签与实际观察到的临床异常步态模式进行比较,以确定 DNN 是否可用于准确识别异常中风步态模式。
|
2年
|
合作者和调查者
调查人员
- 研究主任:Szu-Fu Chen, MD, PHD、Szu-Fu Chen
出版物和有用的链接
一般刊物
- Kerrigan DC, Frates EP, Rogan S, Riley PO. Hip hiking and circumduction: quantitative definitions. Am J Phys Med Rehabil. 2000 May-Jun;79(3):247-52. doi: 10.1097/00002060-200005000-00006.
- Trojaniello D, Cereatti A, Pelosin E, Avanzino L, Mirelman A, Hausdorff JM, Della Croce U. Estimation of step-by-step spatio-temporal parameters of normal and impaired gait using shank-mounted magneto-inertial sensors: application to elderly, hemiparetic, parkinsonian and choreic gait. J Neuroeng Rehabil. 2014 Nov 11;11:152. doi: 10.1186/1743-0003-11-152.
- Abaid N, Cappa P, Palermo E, Petrarca M, Porfiri M. Gait detection in children with and without hemiplegia using single-axis wearable gyroscopes. PLoS One. 2013 Sep 4;8(9):e73152. doi: 10.1371/journal.pone.0073152. eCollection 2013.
研究记录日期
研究主要日期
学习开始 (实际的)
初级完成 (预期的)
研究完成 (预期的)
研究注册日期
首次提交
首先提交符合 QC 标准的
首次发布 (实际的)
研究记录更新
最后更新发布 (实际的)
上次提交的符合 QC 标准的更新
最后验证
更多信息
此信息直接从 clinicaltrials.gov 网站检索,没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求,请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改,我们的网站上也会自动更新.