2022步态分析在帕金森病识别、鉴别诊断与评估中的应用全文.docx

《2022步态分析在帕金森病识别、鉴别诊断与评估中的应用全文.docx》由会员分享，可在线阅读，更多相关《2022步态分析在帕金森病识别、鉴别诊断与评估中的应用全文.docx（8页珍藏版）》请在第一文库网上搜索。

1、2022步态分析在帕金森病识别,鉴别诊断与评估中的应用(全文)摘要帕金森病是一种具有特征性运动症状的神经系统变性疾病，由于其疾病负担日益加重，在全球范围内都受到广泛关注。目前其诊断、鉴别诊断、病情及疗效评估等较多依赖医务人员的临床经验及患者方的主观感受，缺乏客观定量的评判标准。步态分析通过采集步行周期中的时间-空间参数，能将步态异常量化，为帕金森病的早期识别、病情进展的准确发现、治疗方案的合理选择等提供了新的思路。未来随着步态分析技术的进一步完善与成熟，该方法或许将成为帕金森病诊治过程中不可或缺的重要手段。帕金森病(Parkinsons disease )是一种常见于中老年的神经系统变性疾病，

2、常隐匿起病，缓慢进展，其特征性病理改变为黑质多巴胺能神经元进行性退变减少和路易小体(Lewy body )形成，导致纹状体区多巴胺递质减少，进而出现静止性震颤、运动迟缓、肌强直和姿势平衡障碍等特征性运动症状，可伴有便秘、嗅觉减退、睡眠障碍、自主神经功能障碍及精神、认知障碍等非运动症状。近年来，国内外的流行病学调查显示，帕金森病的疾病负担正在日益增加1 1现阶段对于帕金森病的诊断、病情评估及疗效判断主要基于患者的临床表现。针对帕金森病患者的特征性运动症状，步态分析正在逐渐成为诊断及评估帕金森病的一项有力工具。与依赖于临床医师的经验及判断为主的传统诊断方式相比，步态分析可以提供更加客观的运动学数据

3、。常用的步态分析方法可分为两类：基于视觉的方法和基于传感器的方法2 L无论采用何种方法，步态分析均围绕步行周期(gait cycle )展开。步行周期分为站立相(stance phase )和迈步相(swing phase )两个阶段,站立相可进一步分解为5个时期：初接触期(initial contact )、负荷反应期(loading response )、站立中期(midstance )、站立末期(terminalstance 迈步前期(preswing ),其中前2个时期体现重量接受能力，后3个时期体现单肢支撑能力；迈步相可进一步分解为3个时期：迈步初期(initial swing )、

4、迈步中期(mid-swing 1迈步末期(terminal swing ),迈步相反映肢体推进能力。除负荷反应期与迈步前期为双支撑期外，其余6个时期均为单支撑期。对步行周期的量化描述，依赖于提取步行周期中的各项时间-空间步态参数，包括步长(step length 步幡stride length 步频(cadence 步行速度(gait velocity 步长时间(step time 步幅时间(stride time 单支撑时间(single support time 双支撑时间(double support time )以及步宽(width )等3 我们以帕金森病步态步态分析Parkinson

5、s diseasegaitgaitanalysis为主题/关键词，通过中国知网、万方、维普及PubMed. Webof Science数据库，检索国内外发表于2021年2月之前的文献，文献检索语种限定为中文、英文。根据检索到的相关文献内容，将就步态分析的方法及其在帕金森病的识别、诊断与鉴别、疗效评估等方面的进展做一回顾，并对步态分析在帕金森病临床诊治未来发展方向及应用前景进行展望。一、步态分析方法（-）数据采集方法1 .基于视觉的方法：基于视觉的方法依赖摄像机获取受试者的运动视频，并从中提取所需的步态参数。它可以分为两大类：一是基于模型的方法,在步行周期中提取人体上特定部位的运动轨迹以获取相关

6、参数；二是基于整体的方法，通过保留行走时人的轮廓来提取姿势线索，直接从步态图像中导出统计信息4L现阶段比较成熟的设备，如三维光学运动分析系统（Vicon系统、SMART-D 400系统等），通过多方向的数台红外摄像机与固定在受试者全身各部位的数十个红外标记反光球获得运动时躯干及四肢的各类运动信号5, 61微软Kinect体感系统是一种体感游戏设备，由红外投影机、彩色摄像头和红外深度摄像头作为收集运动信号的主要部件,可识别人体25个关节点7, 8 I由于其无需在受试者体表固定额外的装置，受试者的依从性和操作简便性都有所提高，在步态分析领域日益受到关注和应用。2.基于传感器的方法：传感器根据其收集

7、的信号不同，可分为惯性传感器（如加速度计角速度传感器（如陀螺仪压敏传感器等9 ,其中惯性传感器和角速度传感器常组合作为一个完整的传感单元应用10, 11 1根据应用场景的不同，可分为固定式传感器（如GAITRite压敏步道、U型电子步道）和便携式传感器。固定式传感器大多检测压力信号，由于步行轨迹相对固定、操作时多有专业人员指导监测，经过多年的临床应用，已经在帕金森病的病理生理机制研究12, 13 1步态特征获取141疗效评估15等各领域获得了令人信服的结果。但其操作相对复杂，设备相对庞大，价格相对昂贵，并不适合普及至家庭环境使用。随着智能手机、可穿戴智能设备（如智能手表）等设备的开发与普及，借

8、助这些便携式传感器进行可疑人群的筛查与帕金森病患者的日常监测已成为目前研究的主流方向。与传统的传感器相比，这些便携式设备使用时大多选择固定于身体的某个或多个部位，如背部16 1上下肢17 、足底18 等，以获得不同类型的步态参数。由于减小了设备体积和使用难度，便于其监控日间症状波动，但如何准确、高效地从各种背景干扰中提取出有意义的相关数据也是当前的一大挑战19L Zhan等20 开发的一个智能手机应用程序可以让受试者远程完成对包括步态在内的5个方面的评估，仅需将手机置于口袋中，完成前进20码-转身-回到起点的步行任务，手机将自行记录并计算出受试者步行时在前进方向、重力加速度方向及侧方的平均加速

9、度，从而综合患者其他任务的表现得到一个具有临床意义的病情评分。然而，根据现有的研究结果，传感器的数量、位置、设置参数等操作要点并不统一，不合适的选择可能导致数据采集不充分或数据分析时由于环境干扰过多而增加分析难度21 1（二）数据分析方法步态分析方法主要分为特征提取以及模式识别两个步骤。在基于视觉的分析方法中额外需要步态检测步骤，用以提取出有效运动区域，排除背景信息的干扰，主要的方法有帧间差分法22, 23 与基于运动场估计的方法。运动场估计方法有光流法24, 25 1块匹配26 以及基于贝叶斯最大后验概率模型的统计方法。帧间差分法速度较快但是对于背景噪声较为敏感，运动场估计方法能够较好处理背

10、景噪声但是计算复杂度较高。步态特征提取主要有基于模型的方法和无模型方法。基于模型的方法首先对人体结构或人体运动建模，将传感器或者视频获得的步态数据与模型进行匹配从而获得步态特征与模型参数，常见的模型有椭圆模型27 、钟摆模型28 1人体姿态模型29 等。无模型方法直接从步态数据中提取特征，而无需拟合模型，代表方法有步态能量图30 1主成分分析31 以及神经网络32 等。模式识别步骤的主要技术有K最近邻分类算法（K-nearest neighbor 对于时序数据使用的动态时间规整（dynamictime warping 同样针对时序数据的隐马尔可夫模型（hidden Markovmodel 支持

11、向量机（support vector machines工基于模型的步态识别方法具有更好的不变性，并且在处理遮挡、噪声、缩放和视图变化方面也更好。但是，基于模型的方法通常需要更高的数据精度和沉重的计算成本。无模型方法的优点是计算效率高，操作简便，但是应对环境变化时鲁棒性可等同为可靠性，表示算法(软件)在各种复杂、不可预测的条件下仍然能正常运行的能力仍需提高。近年来随着神经网络的迅速发展,同时实现特征提取与模式识别的端到端神经网络模型成为了步态分析技术新的发展方向33, 34 1二、临床应用(-)早期识别与鉴别诊断现阶段帕金森病的诊断主要依赖临床表现、神经系统体格检查，辅以治疗初期患者对多巴胺能药

12、物的反应，尽管有支持性的生物标志物，但尚无特异性的实验室检查，因而其诊断非常依赖接诊医师的临床经验。由于早发现、早诊断、早治疗也是延缓帕金森病病情进展的重要策略，开发一项高效简便的筛查手段很有必要，步态分析将帕金森病患者的步态特征量化为可测量的时间-空间参数，借助计算机的数据处理，具有发现临床医师难以辨别或经验不足者容易忽视的早期征象的能力，而其无创、相对廉价的特征也使其具有继续研究与发展的潜力。一项纳入了 696名具有帕金森病危险因素的健康人群的前瞻性研究结果表明：步态变异性和不对称性的特征似乎是健康人罹患帕金森病的最佳预测因子，而步速和步长也是监测帕金森病前驱期进展的最佳步态特征16 在一

13、项纳入了 168例帕金森病患者和218名健康对照的横断面研究中，研究者使用了 9种不同分类模型,其中随机森林模型识别帕金森病患者的准确性高达92.49% 2 1临床上帕金森病常需要和帕金森综合征进行鉴别，如进行性核上性麻痹(progressive supranuclear paralysis , PSP 多系统萎缩、继发于脑血管事件的血管性帕金森综合征等，尽管此类疾病可以伴有典型的具有鉴别诊断意义的临床表现，但步态分析同样可以作为辅助鉴别的重要手段。GaBner等 11 比较了特发性帕金森病 idiopathic Parkinsons disease )与非典型帕金森病(atypical Pa

14、rkinsons disease )患者的步态特征，发现两组患者的步幅、步行速度、脚趾偏离角度以及代表步态变异性的参数存在显著差异，提示两类患者在姿势不稳与步态困难方面的严重程度并不相似。Egerton等35 比较了 19例PSP患者与20例帕金森病患者的步态特征后，发现尽管两者非常相似，但PSP患者的步态异常更为严重,这与临床上PSP患者较帕金森病患者病情更不稳定、疾病进展更快的特征是相符的。此外，De Vos等17 使用可穿戴传感器阵列配合机器学习的步态分析方式，实现了区分PSP与帕金森病的敏感度86%、特异度90%的结果。(二)病情评估帕金森病患者的运动症状随着病情进展表现出不同的特征，

15、这为步态分析在评估患者病情方面提供了理论基础。与诊断帕金森病类似，对帕金森病病情的评估虽然有较为完善的如世界运动障碍协会的统一帕金森病评定量表(Unified Parkinsons Disease Rating Scale , UPDRS )辅助，但仍然常依赖于医务人员的临床经验，及患者与家属对病情的重视与了解程度。步态分析可更加客观地描述患者的运动症状，同时作为一项日常监测手段也能更早暴露疾病进展的相关线索。现有研究结果提示，早期帕金森病患者常表现为步行速度减慢、步长缩短、转身速率变慢，其中手臂摆动幅度减小、运动的顺畅性下降多为首发表现5 , 36 1，帕金森病常自单侧起病，导致肢体运动的不对称性增加。由于患者的复杂运动任务能力受损,上述步态改变在患者进行多重任务时更加显著37 L轻至中期帕金森病患者由于疾病逐渐累及双侧，运动的不对称性反而减小。在步行中可观察到拖曳步态、步态冻结、慌张步态、双支撑时间增加、步频增加等特征性表现。进展期帕金