基于Mamba架构的多尺度特征融合深度学习模型SUMamba在SSVEP分类中的应用研究

本研究针对传统步态分析耗时、依赖专业操作者等问题，开发了基于无标记视频的自动步态分析平台MaGA。通过融合人体姿态估计(OpenPose)与支持向量机(SVM)算法，实现了对Ranchos Los Amigos(RLA)量表的自动评估。结果显示非线性SVM模型在髋膝关节异常检测中MAE<0.5，F1-score普遍>0.7，为临床提供客观、高效的评估工具。

　　

步态分析是评估神经系统疾病患者运动功能的重要手段，但传统方法面临两难困境：仪器化步态分析(iGA)需要昂贵设备和专业空间，而观察性步态分析(oGA)则受制于评估者主观性。尤其Ranchos Los Amigos(RLA)等常用量表，虽能系统评估步态周期8个亚相的关节运动特征，但其信效度常因评估者差异受到质疑。

意大利维罗纳大学医院康复科的研究团队开发了创新性解决方案——无标记自动步态分析平台(Markerless automatic platform for Gait Analysis, MaGA)。该系统仅需普通RGB-D摄像头(Intel RealSense D415)采集视频，通过OpenPose算法提取25个身体关键点，结合自主研发的步态周期分割算法和机器学习模型，实现了RLA量表的自动化评估。相关成果发表在《Biomedical Signal Processing and Control》。

研究采用三大核心技术：1)基于踝关节运动加速度特征的自动步态事件检测算法，准确划分步态周期8个亚相；2)创新性提出平面关节角度计算方法，通过近端-远端节段坐标系转换获得髋膝关节1D运动学参数；3)构建包含均值、极值、ROM等18项特征参数的评估体系，采用线性/非线性支持向量机(SVM)进行病理模式识别。

关键结果显示：

1. 1.

   步态周期自动分割

   通过踝关节水平坐标的加速度特征检测足触地(FS)和离地(FO)事件，准确划分初始接触(IC)、中期支撑(MSt)等8个亚相，时间分辨率达60Hz。

2. 2.

   机器学习模型性能

   非线性RBF-SVM在髋关节评估中表现优异，如终末支撑期(TSt)伸展不足的检测达到MAE=0.47，F1-score=0.95；膝关节过伸在预摆动期(PSw)的识别MAE=0.11，显著优于线性模型(p<0.05)。

3. 3.

   临床验证案例

   三例中风患者测试显示，MaGA与专家评估的一致性达89%，仅漏检1例膝关节摆动现象(Wobbles)。特征分析证实R²和SPM{ t }是区分病理模式的关键指标。

这项研究突破了传统oGA的主观局限，首次实现RLA量表的全自动化评估。特别值得注意的是，平台采用常规RGB摄像头即可获得媲美专业设备的分析结果，MAE控制在临床可接受的0.5个等级以内。研究者强调，当前系统已具备识别髋膝关节矢状面异常的能力，未来通过升级姿态估计算法和扩大样本量，可进一步扩展至三维运动分析和踝关节评估。该技术为社区医疗机构提供了便捷、客观的步态评估方案，对中风等神经系统疾病的康复监测具有重要应用价值。