多维步态特征融合算法在膝骨关节炎与全膝关节置换术后步态评估中的创新应用与机制解析

本综述提出一种融合髋-膝运动协调环形态特征与关节角度样本熵（Sample Entropy）的多维步态特征算法，通过机器学习模型（RF/SVM/DT/KNN）实现了对健康人群、膝骨关节炎（KOA）患者及全膝关节置换术（TKA）术后人群步态模式的精准区分，揭示了KOA患者“协调性下降而运动复杂性升高”的病理补偿机制，为膝关节疾病评估与康复监测提供了可解释的量化工具。

　　

背景

膝骨关节炎（KOA）是导致老年人功能障碍的主要疾病之一，其病理特征不仅包括关节疼痛和活动受限，还显著破坏下肢关节的动态协调性，导致特征性步态异常。全膝关节置换术（TKA）作为终末期KOA的有效治疗手段，可显著缓解疼痛并恢复关节活动范围（RoM），但术后患者的步态协调性和运动复杂性仍与健康人群存在显著差异。当前临床评估主要依赖X光等影像学检查，存在主观解读局限且难以揭示疾病进展中的功能变化，亟需建立客观、多维的步态评估方法。

材料与方法

本研究经宁夏回族自治区人民医院伦理委员会批准（批号：2024-KJCG-001），共招募70名受试者，包括21名健康志愿者（健康组）、24名KOA患者（KOA组）和25名TKA术后患者（TKA组）。使用Qualisys三维运动捕捉系统（Oqus 700型）采集空间运动数据，通过附着于骨盆和下肢关键解剖标志的反光标记点计算髋、膝、踝关节的角度变化。

多维步态特征融合算法首先通过立方样条插值对关节角度信号进行归一化处理，基于踝关节角度极值检测实现步态周期精确分割，构建髋-膝协调环并提取形态特征（重心、活动范围、周长、面积）以量化动态协调；同时计算髋、膝、踝关节角度序列的样本熵以量化运动复杂性。采用四种机器学习模型（随机森林RF、支持向量机SVM、决策树DT、k近邻KNN）结合包装式特征选择方法，评估多维步态特征的分类性能。

多维步态特征提取基于协调环与样本熵

通过立方样条插值解决数据点数量不一致问题，构建分段三次多项式实现非均匀采样数据的平滑重采样。利用踝关节角度变化确定步态事件：脚跟撞击时刻对应踝关节角度变化起始点（站立相起点），脚尖离地时刻对应踝关节最大跖屈角度（摆动相起点）。在此基础上，通过绘制髋关节（X轴）与膝关节（Y轴）角度变化曲线构建矢状面髋-膝协调环。

协调环周长通过计算相邻数据点间的线性距离并累加获得，最后一项计算首末数据点间距离以确保闭环；面积采用多边形面积公式计算。同时，计算每个步态周期的平均髋关节角度和平均膝关节角度作为重心坐标，髋、膝关节RoM通过最大角度减最小角度获得。样本熵用于量化时间序列复杂性和规律性，嵌入维度m=2，相似容限r=0.1，有效捕捉关节角度短期动态模式。

机器学习建模

构建四种机器学习模型（RF、SVM、DT、KNN），输入特征分为四类进行对比分析：融合多维特征（协调环形态+样本熵）、仅协调环形态特征、仅样本熵特征、传统时空参数。采用5折分层交叉验证框架，内部3折交叉验证进行超参数优化，使用Z-score标准化和ANOVA特征选择处理数据，通过类别权重机制解决轻度类别不平衡问题。

结果

动态协调差异基于协调环分析

髋-膝协调环分析显示三组间存在显著运动协调差异。健康组呈现典型椭圆轨迹，KOA组表现出轨迹压缩和形态不规则，TKA组轨迹误差较KOA组显著减少，面积略有增加，表明术后关节运动协调性部分恢复。量化分析表明，健康组膝关节RoM（61.45°±1.63°）显著高于KOA组（50.59°±2.61°）和TKA组（44.63°±2.46°）。KOA组摆动相周长和面积较健康组分别减少38.7%和36.3%，表明主动运动能力受损比负重期稳定性下降更为严重。TKA组总周长和摆动相周长仍显著低于健康组，且与KOA组无统计学差异，表明关节协调未完全恢复；站立相周长和面积较健康组分别减少17.5%和27.7%，显示代偿性肌肉共激活受限。KOA组总面积较健康组减少32.8%，证实KOA导致多下肢关节时空协调能力受损；TKA组总面积较KOA组略有增加，但仍较健康组减少30.9%，表明手术仅部分改善代偿模式。

运动复杂性差异基于样本熵

样本熵分析揭示三组间关节运动复杂性存在显著差异。KOA组髋关节样本熵（0.30±0.01）较健康组（0.24±0.01）显著增加25.0%，TKA组术后髋关节样本熵（0.21±0.01）较KOA组降低30.0%，恢复至低于健康组水平。KOA组踝关节样本熵（0.38±0.07）较健康组增加35.7%，TKA组较KOA组降低21.1%。膝关节样本熵变化呈现独特模式：KOA组较健康组增加20.0%，但TKA组术后显著低于KOA组。

多维特征比较分析

协方差分析（ANCOVA）在调整年龄、性别、BMI等混杂因素后，显示多个关键特征仍存在显著组间差异。髋关节样本熵的组间差异效应量最大，其次是总面积和摆动相面积，表明这些指标在区分组间差异中起重要作用。膝关节RoM和踝关节样本熵也显示出强判别能力。而髋、膝关节重心和髋关节RoM未呈现显著差异。

在控制KOA患病侧和TKA手术侧等群体异质性后，ANCOVA显示多个关键特征仍存在显著组间差异。髋关节样本熵的效应量最大，其次是站立相周长和踝关节样本熵。髋关节RoM、膝关节RoM和总周长也显示出强判别能力。膝关节重心、髋关节重心和摆动相面积虽存在显著差异但效应量较小，摆动相周长无显著差异。

多维步态特征比较分析显示多维评估系统相对传统时空参数具有显著优势。协调环分析表明健康组髋、膝关节RoM显著大于KOA和TKA组；健康组摆动相周长和面积、站立相周长和面积以及总周长和面积均显著大于KOA和TKA组；在站立相面积方面，TKA组较KOA组有显著改善。KOA组髋、膝、踝关节角度变化复杂性显著高于健康组和TKA组。时空参数方面，健康组步长、左步长、右步长和步速显著高于KOA和TKA组，步宽无显著组间差异。

线性判别分析（LDA）显示，基于传统时空参数的分类准确率为55.7%，而基于多维特征融合的分类准确率达71.4%，直接验证了多维特征融合的优越性。

特征融合分类性能

四种机器学习模型的分类性能表明，多维特征组合在所有模型中表现最佳。RF准确率最高达96.93%，显著优于单特征输入性能；DT在多维特征下准确率达92.44%，较单特征输入提高6.43-19.28个百分点；SVM和KNN经特征融合后准确率分别达90.29%和88.98%，表明多维特征分析策略具有普遍优势。

特征重要性比较显示，不同模型和输入类型下核心特征各异。时空参数输入时，SVM模型中左步长最重要，RF模型中步速为核心特征；样本熵输入时，SVM模型中踝关节样本熵居首，RF模型中髋关节样本熵最重要；协调环形态特征输入时，SVM模型中膝关节重心和摆动相面积居前，RF模型中总面积和摆动相面积占主导；多维特征融合输入时，SVM模型中膝关节RoM和摆动相面积主导判别，RF模型中总面积和摆动相面积保持核心地位。

Bootstrap法比较模型AUC差异显示，相对单时空参数输入，整合多维特征后所有模型性能系统提升。RF模型融合特征下宏平均AUC达0.9678，SVM达0.9670，DT达0.9669，KNN达0.9679，表明特征融合有效增强模型捕获复杂模式能力，显著优化分类边界判定准确性。

讨论

本研究通过整合髋-膝协调环形态特征和关节角度样本熵，实现了对KOA和TKA术后患者步态动态协调性和运动复杂性的同步量化评估。多维特征分析揭示了KOA组“协调环特征减少而样本熵增加”的多维分离现象。健康组呈现高协调环特征和低样本熵特性，与既往研究报道的KOA患者肌肉萎缩主要涉及股内侧肌、股四头肌和股二头肌相一致，此类肌肉萎缩导致髋膝关节伸/屈力量下降，进而影响步态复杂性和协调性。TKA组则表现出术后站立相面积改善和低样本熵的独特特征，表明TKA通过精确假体对线和大小的调整改善膝关节功能。

与传统时空参数比较验证了多维特征的优越性。时空参数虽可区分健康组与KOA组，但无法有效区分KOA组与TKA组；而通过多维步态特征比较分析，TKA组与KOA组间的差异清晰显现。特征重要性分析为结论提供可解释证据：RF模型揭示总协调环面积和摆动相面积是核心判别特征，证实关节动态协调在病理步态中的指示作用，与多发性硬化研究中使用髋-膝协调环量化协调性的方法一致；踝关节样本熵和膝关节RoM的协同贡献凸显评估多关节运动复杂性的价值，与“熵增反映运动控制减弱”的观点一致。SVM模型中膝关节RoM和摆动相面积组合主导分类决策，进一步说明协调受损与复杂性补偿的交互作用是区分三组的关键。

局限性

本研究采用横断面设计，未纳入TKA患者术前基线数据和术后多时间点纵向随访，难以确定观察到的步态变化在多大程度上归因于手术恢复效应、适应性代偿策略或残留术前模式，限制了对干预效果的因果推断。样本量相对有限，特别是在不同手术类型或康复阶段等亚组分析中，不平衡分布可能影响机器学习模型的稳健性和泛化能力。虽通过协方差分析对年龄、性别、BMI等变量进行统计控制，并考虑了患病侧和手术侧的异质性，但其他未测量混杂因素（如肌力水平、疼痛感知、关节稳定性）仍可能对结果产生潜在影响。所有参与者均来自单中心且未按关键康复窗口分层，结论普适性需通过更大规模、多中心、前瞻性纵向研究进一步验证。

结论

本研究建立的融合髋-膝协调环形态特征和关节角度样本熵的多维步态特征融合算法，有效区分了健康人群、KOA患者和TKA术后患者的步态差异，揭示了KOA患者的运动代偿机制和TKA术后运动功能的部分恢复，经机器学习模型验证，分类性能优于传统单维方法。基于协调环形态和样本熵的特征提取方法捕获了传统时空参数无法反映的细微运动控制差异，为分析KOA病理机制和评估TKA术后康复提供了可解释的量化工具。