基于TF-CNN与KECA的下肢运动能力评价方法

针对目前老年人和下肢运动疾病患者在运动障碍评定方面缺乏客观、定量标准的问题,提出一种基于迁移学习卷积神经网络（TF-CNN）与核熵成分分析（KECA）相结合的下肢运动能力评估方法。招募50名存在不同程度运动障碍的受试者,分为中年脑卒中后偏瘫组（MG,12例）、老年脑卒中后偏瘫组（EG,12例）及年轻健康组（YG,26例）。首先,采用Vicon MX三维步态采集系统采集50名受试者的步态视频与下肢运动学数据,利用像素自适应分割（PBAS）对步态视频进行预处理,提取步态轮廓图像。然后,通过TF-CNN提取步态轮廓图像的全连接层特征,将其与下肢运动数据在特征层进行融合。最后,利用KECA将融合矩阵映射到低维空间,提取主元子空间,并结合Zscore指标提出了融合步态视频数据与下肢运动学数据的运动障碍评估指标（MAI）。对各组MAI指标进行成对T-test检验表明MAI指标能够准确地对受试各组进行运动能力评定（p〈0.01）;受试者的MAI指标与GARS-M评分的Pearson相关性分析表明,两者显著相关（r=0.92,p〈0.01）。实验结果证实了所提方法的有效性。