基于自组织LSTM模型与步态生物力学的周围动脉疾病共病评估增强研究

本研究针对周围动脉疾病(PAD)及其并发症深静脉血栓(DVT)的早期诊断难题，创新性地结合步态生物力学数据与自组织长短期记忆(SLSTM)模型，实现了89%的分类准确率。研究通过分析髋、膝、踝关节角度、力矩、功率及地面反作用力(GRF)等参数，证实GRF数据在PAD鉴别中的优越性，为无创筛查和个性化医疗提供了重要技术支撑。

　　

周围动脉疾病（Peripheral Artery Disease, PAD）是一种因动脉粥样硬化导致血流受限的心血管疾病，常伴随间歇性跛行、运动功能下降等症状，并可能进展为深静脉血栓（Deep Vein Thrombosis, DVT）等严重并发症。当前PAD诊断依赖踝肱指数（Ankle-Brachial Index, ABI）检测，但该方法成本高、需专业设备且操作复杂，导致40%-60%的患者在初级诊疗中被漏诊。此外，PAD症状易与年龄相关运动障碍混淆，缺乏特异性标志，亟需开发无创、高效的早期筛查技术。

为应对这一挑战，研究人员探索将机器学习与步态生物力学分析相结合，通过捕捉患者行走时的动力学特征实现疾病识别。近日发表于《International Journal of Cognitive Computing in Engineering》的一项研究，提出了一种基于自组织长短期记忆（Self-organizing Long Short-Term Memory, SLSTM）模型的新方法，利用步态数据增强PAD及其共病的评估能力。

本研究主要采用以下技术方法：

1. 1.
   数据来源于NHANES 2019-2024数据集及实验室采集的步态生物力学数据，包含PAD患者、DVT患者和健康志愿者的髋、膝、踝关节角度、力矩、功率以及三维地面反作用力（GRF）参数；
2. 2.
   通过噪声过滤、时间归一化和特征提取处理原始数据，并采用合成少数类过采样技术（SMOTE）平衡样本；
3. 3.
   构建SLSTM模型，包含双向LSTM（BiLSTM）层和注意力机制，以捕捉步态序列中的时序依赖关系；
4. 4.
   对比随机森林（RF）、神经网络（NN）、支持向量机（SVM）和逻辑回归（LR）等传统机器学习模型，以准确率、马修斯相关系数（MCC）、判别力（Discriminant Power）及几何平均数等指标评估性能。

2.1. Dataset utilized

研究使用NHANES数据集及实验室采集的270名参与者数据（227名PAD患者，43名健康对照），通过反射标记和高速运动捕捉系统记录步态参数，提取31项特征用于模型训练。

3.2. Initial data analysis phase

方差分析、F统计量和信息增益评估显示，GRF特征（如制动冲量、峰值推进力等）区分PAD的能效高于关节角度数据，且GRF特征间相关性较强，表明其可作为核心判别指标。

3.3. Forecasting DLs approach to PADs Diagnosis

SLSTM模型在包含全部特征的Group 1数据中达到89%准确率和0.65 MCC；仅使用GRF数据的Group 5模型准确率达87%（MCC=0.64），性能接近全特征模型，且显著优于单关节数据组。GRF在判别力（2.00）和几何平均数（0.87）上表现突出。

3.5. Deep Learning model: Self-organising LSTM

SLSTM通过双向LSTM层和注意力机制优化序列学习，损失函数采用交叉熵，最终输出层通过Softmax激活实现二分类（PAD/健康）。模型自适应学习步态模式，无需手动调参。

4. Empirical results and interpretations

SLSTM在多项评估中均优于对比模型：在踝、膝、髋关节数据中准确率超85%，GRF数据中MCC达0.70；SHAP力分析进一步验证年龄、总胆汁酸（TBA）等变量对PAD风险的影响，提供个性化风险评估依据。

5. Conclusion

本研究证实了基于GRF的步态分析结合SLSTM模型在PAD诊断中的有效性，尤其强调GRF数据在减少特征维度的同时保持高精度的优势。该模型有望集成至可穿戴设备，实现实时监测与早期预警，推动PAD管理从被动治疗转向主动预防，提升血管健康管理的精准性和可及性。