使用单个惯性测量单元和动态时间规整自动识别姿势转换:在健康个体和帕金森病患者中的初步研究

《Frontiers in Bioengineering and Biotechnology》:Automatic identification of postural transitions using a single inertial measurement unit and dynamic time warping: a pilot study in healthy individuals and people with Parkinson’s disease

【字体: 大 中 小 】 时间:2026年07月28日 来源:Frontiers in Bioengineering and Biotechnology 5.8

编辑推荐:

  摘要:引言:姿势转换(PTs)是关键的日常活动,在神经疾病中常受损,影响自主性和跌倒风险。可穿戴惯性测量单元(IMU)能够客观评估PTs,但用于自动识别的稳健算法仍然有限。方法:这项初步研究采用动态时间规整(DTW),一种对时间变异具有鲁棒性的时间序列对齐方法

  
摘要:引言:姿势转换(PTs)是关键的日常活动,在神经疾病中常受损,影响自主性和跌倒风险。可穿戴惯性测量单元(IMU)能够客观评估PTs,但用于自动识别的稳健算法仍然有限。方法:这项初步研究采用动态时间规整(DTW),一种对时间变异具有鲁棒性的时间序列对齐方法,来自动识别健康受试者(HS)和帕金森病受试者(SwPD)中的PTs。为此,10名参与者(5名HS和5名SwPD)使用胸骨佩戴的IMU执行了5项姿势转换任务(坐-站、站-坐、仰卧-坐、坐-仰卧和翻滚)。参考PT模式是从先前采集的、代表最优执行转换的加速度数据中生成的。DTW算法通过最小化每个检测到的候选转换与预定义参考模式之间的距离来对其进行分类。分类性能指标在组间进行了统计学比较。结果:在该初步数据集中,DTW算法正确识别了HS中的118/118个姿势转换信号和SwPD中的136/147个信号。SwPD中的误分类主要影响坐-站(31%)和站-坐(19%)转换。讨论:这些初步发现支持了基于DTW的方法用于姿势转换识别的可行性,但仍需更大规模的独立验证研究。未来工作应优先考虑实时部署和更大的验证队列。
论文解读文章

**研究背景与问题**

姿势转换(Postural Transitions, PTs)是日常生活中从一种姿势过渡到另一种姿势的关键性活动,如从坐姿到站姿、从仰卧到侧卧等。这些运动对于维持个体的自主性和日常活动能力至关重要,尤其是在神经退行性疾病患者中,PTs的受损会显著影响其生活质量和安全,增加跌倒风险。帕金森病(Parkinson’s Disease, PD)患者常伴有平衡障碍、肌张力增高、运动迟缓等症状,导致其在执行PTs时面临困难,例如坐-站转换可能需要多次尝试才能成功。康复医学中,评估PTs的能力不仅是客观衡量治疗效果的重要指标,还能为患者提供反馈,提升治疗依从性。然而,现有自动识别PTs的方法大多局限于特定转换(如坐-站和站-坐)、依赖于特定传感器放置或特定处理流程,且缺乏对不同执行速度和时间变异的鲁棒性。因此,开发一种能够从可穿戴惯性测量单元(Inertial Measurement Unit, IMU)数据中自动识别多种PTs的通用算法,具有重要的临床和远程监测价值。

**研究目的与意义**

本研究旨在提出一种基于动态时间规整(Dynamic Time Warping, DTW)的方法,利用单个胸骨佩戴的IMU自动识别健康受试者(Healthy Subjects, HS)和帕金森病受试者(Subjects with Parkinson’s Disease, SwPD)中的五种PTs(坐-站、站-坐、仰卧-坐、坐-仰卧和翻滚)。DTW通过非线性时间映射,能够有效处理同一运动在不同速度或时长下的时间变异,是对传统距离度量(如欧氏距离)的改进。该研究为PTs的自动识别提供了一个初步的概念验证,并探讨了其面向未来在线实时应用的潜力。论文发表在《Frontiers in Bioengineering and Biotechnology》。

**主要关键技术方法**

本研究采用横断面观察性设计,受试者来自意大利IRCCS Fondazione Don Carlo Gnocchi的MoRe-R2实验室,共招募10名参与者(5名HS,5名SwPD)。SwPD处于药物ON期,Hoehn & Yahr分级为3-4级,MMSE>24。核心方法包括:1)使用单个胸骨佩戴的IMU(G-Sensor,BTS Bioengineering,意大利)以100 Hz采集三轴加速度信号;2)基于滑动窗口方差阈值(窗口宽度0.5秒,阈值0.05 m2/s?)自动检测潜在PT的起始和结束时刻;3)利用预定义参考模式(由先前健康受试者最优执行五次PT的加速度均值生成,每个PT的参考模式为三个轴向各100个样本的向量)进行DTW分类:对每个检测到的PT窗口,分别计算x、y、z轴加速度与对应参考模式的DTW距离,再取三个距离的欧几里得范数作为综合距离,最终将信号分配给综合距离最小的参考模式类别。DTW中采用Sakoe-Chiba带约束(窗口30样本)和平方欧氏距离。

**研究结果**

研究保留了原文中的小标题结构,并基于结果部分进行说明。

**3 Results**

本研究共处理265个信号,其中HS执行118个,SwPD执行147个。DTW算法识别结果如下:

- **识别率**:HS中正确识别了118/118(100%)的PTs信号;SwPD中正确识别了136/147(93%)的信号。具体而言,SwPD中坐-站转换的误识别率为31%(8/26),站-坐转换为19%(3/16),而翻滚、仰卧-坐和坐-仰卧转换均被正确识别(100%)。混淆矩阵显示,误分类仅发生在SwPD组,且局限于坐-站和站-坐之间:8个坐-站信号被归类为站-坐,3个站-坐信号被归类为坐-站。

**讨论与结论**

**讨论部分总结**:本研究提出的DTW算法基于单个胸骨IMU的加速度信号,可有效识别五种PTs,且仅需加速度数据,未来可简化至仅使用三轴加速度计。初步结果表明,DTW在HS中识别率100%,在SwPD中为93%,误分类主要出现在坐-站和站-坐转换,这与其运动损伤(如运动迟缓、轴向僵硬)的临床特征一致,但尚需更大样本验证。算法的一个优势是自动检测起始和结束时刻,无需数据融合;处理时间约为20-30毫秒,具有实时部署潜力。但检测准确性依赖于阈值和参考模式的代表性,因此建议未来应用中针对个体进行短期校准。此外,DTW无需大量训练数据,适合小样本初步研究,但其性能受参考模式质量、检测窗口准确性及神经疾病患者异常运动策略的影响。未来研究应纳入更大、更异质的队列,独立验证集,临床严重程度指标,并与数据驱动方法进行对比。

**结论部分翻译**:这项初步研究提供了初步证据,表明基于DTW的算法应用于单个胸骨佩戴IMU的加速度数据,能够在离线数据集中识别包括HS和SwPD在内的预定义姿势转换信号。这些发现支持了本研究中该方法的可行性,但不应被解释为已验证的稳健性、临床有效性或泛化性。未来研究应在更大、更异质的队列中验证该算法,包括独立测试集或交叉验证程序,报告参与者和类别层面的性能,将基于DTW的方法与替代数据驱动分类器进行比较,并评估其在在线和真实世界条件(如住院康复环境、家庭或门诊项目)中的表现。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号