脑卒中后下肢步态分析的方法与应用
背景:脑卒中是危害中国国民健康的重大疾病之一,具有高发病率、高致残率、高死亡率及高复发率的特点.步态功能障碍或损害被认为是脑卒中最常见和最具破坏性的生理后果之一,积极的下肢康复训练可以促进步态功能的恢复,提高日常生活活动能力,改善患者的生活质量.目的:文章旨在回顾和总结适用于脑卒中后步态量化和分析的研究成果,重点是分析最新的步态分析系统、脑卒中后步态数据处理与分析技术,以及在临床环境中的可行性和潜在价值.方法:以"卒中、步态分析、评估、下肢、时空、运动学、动力学、足底压力、肌电图、机器学习、统计学"为中文检索词,以"stroke,gait analysis,assessment,lower limb,spatiotemporal,kinematics,kinetics,plantar pressure,Electromyography(EMG),machine learning,statistical"为英文检索词,分别检索中国知网及PubMed数据库.检索时间范围为2000年1月至2021年12月.通过阅读文题和摘要进行初步筛选,排除中英文文献重复性研究、低质量期刊及内容不相关的文献,最终纳入60篇文献进行综述.结果 与结论:①传统的定性步态分析主要基于观察步态,具有主观性,在很大程度上受观察者经验的影响,而仪器化步态分析提供了测量的参数,具有良好的准确性和重复性,可用于整个康复过程中的诊断和评估.②快速崛起的智能可穿戴技术和人工智能,正日益引起步态研究者的更多关注:虽然它们在临床环境中的使用还没有得到很好的利用,但这些工具有望改变卒中步态量化的现状,因为它们提供了获取、存储和分析多因素复杂步态数据的手段,同时捕获了其非线性动态可变性,并提供了预测分析的宝贵好处.③在步态分析中,常通过一些特殊参数来描述步态正常与否,包括时空、运动学、动力学及肌电图参数等.了解与步行功能相关的因素可以帮助临床医生和研究人员确定在评估步行功能时应重点关注的步态相关参数.④由于常规统计方法已不能逐渐满足处理仪器化步态分析产生的具有高异质性高复杂性的大数据量,并且步态分析涉及大量相互依赖的参数,由于大量的数据及其相互关系,这些参数很难解释,为了简化评估,将机器学习应用在脑卒中后下肢步态分析中是一个很有前途的解决方案.
脑卒中、步态分析、步态参数、统计方法、机器学习、康复、诊断、评估
27
R459.9;R319;R496(治疗学)
国家重点研发计划;上海市科委项目;上海交通大学医学院地高大双百人计划;上海交通大学医学院附属第九人民医院临床研究型MDT项目
2022-08-15（万方平台首次上网日期，不代表论文的发表时间）
共7页
1257-1263
