随机森林非对称步态质量评价模型的敏感因子分析

doi:10.12307/2024.670

中国组织工程研究 ›› 2024, Vol. 28 ›› Issue (36): 5805-5810.doi: 10.12307/2024.670

• 数字化骨科Digital orthopedics • 上一篇下一篇

随机森林非对称步态质量评价模型的敏感因子分析

姜美姣，张峻霞，邵洋洋，卢芳芳，尹国富，杨芳

天津科技大学，机械工程学院，天津市 300222

收稿日期:2023-08-22 接受日期:2023-10-30 出版日期:2024-12-28 发布日期:2024-02-27
通讯作者: 张峻霞，博士，教授，天津科技大学，机械工程学院，天津市 300222
作者简介:姜美姣，女，1986年生，黑龙江省绥化市人，汉族，天津科技大学在读博士，主要从事非对称步态与运动辅具方向的研究。
基金资助:
国家自然科学基金委员会面上项目(50975204)，项目负责人：张峻霞

Sensitivity factor analysis of asymmetric gait quality evaluation model based on random forest algorithm

Jiang Meijiao, Zhang Junxia, Shao Yangyang, Lu Fangfang, Yin Guofu, Yang Fang

College of Mechanical Engineering, Tianjin University of Science & Technology, Tianjin 300222, China

Received:2023-08-22 Accepted:2023-10-30 Online:2024-12-28 Published:2024-02-27
Contact: Zhang Junxia, MD, Professor, College of Mechanical Engineering, Tianjin University of Science & Technology, Tianjin 300222, China
About author:Jiang Meijiao, Doctoral candidate, College of Mechanical Engineering, Tianjin University of Science & Technology, Tianjin 300222, China
Supported by:
National Natural Science Foundation of China (General Project), No. 50975204 (to ZJX)

摘要/Abstract

摘要：

文题释义：

随机森林：是一种监督学习算法。随机森林是由多棵决策树组成的，这些决策树合并在一起，可以做出更准确的预测。使用随机森林进行分类时，每棵决策树都会给出一个分类或“投票”，森林会选择获得多数“选票”的分类。当使用随机森林进行回归时，森林会选择所有树木输出的平均值。组成较大随机森林模型的决策树之间的相关性很低。虽然单个决策树可能会产生错误，但大多数决策树都是正确的，从而使整体结果朝着正确的方向发展。
非对称步态：步态具有周期性和对称性的特点，由于健康人类行走时双侧肢体交替运动的对称性，健康人的步态参数也表现出对称性的特点。但是由于衰老、疾病意外伤害等因素导致人类行走模式的改变，使得步态对称性受到影响，不再符合双侧下肢运动学动力学等特征参数的对称性，称之为非对称步态。典型的非对称步态主要包括跨越障碍、单侧截肢、退行性病变等。

背景：非对称步态质量评价对康复训练有指导作用，但步态质量与步态运动学动力学参数关联尚不清楚。

目的：构建基于步态参数的机器学习步态质量评价模型，提取非对称步态参数的质量敏感因子，探讨步态参数与步态质量的关系，用于指导非对称步态相关的训练和康复。
方法：设置非对称因子，建立非对称步态模型数据库。开展步态试验采集8位青年和8位老年受试者(均为男性，右侧优势人群)的运动学、动力学数据，依据对称性指标对每组试验数据进行步态质量分析，建立步态参数-步态质量数据集；通过随机森林学习建立步态质量评价模型，使用因子重要性分析方法识别步态质量关键影响因子；使用关键因子更新步态质量评价模型。经10折交叉验证评估模型表现，使用交叉验证数据集来验证模型的评价效果。

结果与结论：①设计了非对称步态质量梯度试验，得到梯度步态质量数据库，其中759组最优步态质量数据，329组次优数据，133组中间质量数据，125组较差步态质量数据；②探讨了随机森林算法在步态质量评价方面的应用方法，建立了步态质量与步态参数的关系模型，随机森林步态质量模型预测精度为95.99%；③对随机森林模型进行特征重要性排序，得到影响非对称步态质量的13个主要参数；④对上述13个主要参数进行步态质量敏感因子分析，筛选出5个步态质量敏感因子，使用敏感性因子建立的随机森林模型预测精度为94.20%。

https://orcid.org/0009-0006-5511-2087 (姜美姣)

中国组织工程研究杂志出版内容重点：人工关节；骨植入物；脊柱；骨折；内固定；数字化骨科；组织工程

关键词: 非对称步态, 步态质量, 步态参数, 随机森林, 特征重要性, 敏感因子, 步态质量评价

Abstract: BACKGROUND: The assessment of asymmetric gait quality plays a pivotal role in guiding rehabilitation training; however, the link between gait quality and kinematic-kinetic gait parameters remains ambiguous.
OBJECTIVE: To formulate a machine-learning model for evaluating gait quality based on gait parameters, identify factors sensitive to gait quality from asymmetric gait parameters, investigate the relationship between gait indicators and gait quality, and provide guidance for asymmetric gait training and rehabilitation.
METHODS: An asymmetric gait database was established through the creation of asymmetric conditions. Kinematic and kinetic data were collected from 8 young and 8 elderly subjects (all male, right dominant population) during gait tests. Gait quality for each test data set was assessed using symmetry indices, resulting in the creation of a gait parameter-gait quality dataset. Utilizing the Random Forest algorithm, a gait quality evaluation model was developed and key quality parameter factors were identified through differential analysis. This model was iteratively refined. The model’s performance was evaluated through 10-fold cross-validation, and its effectiveness was verified using the cross-validation dataset.
RESULTS AND CONCLUSION: (1) A gradient test was designed to categorize gait quality into optimal, suboptimal, intermediate, and poor groups, with 759, 329, 133, and 125 instances, respectively. (2) The application of the Random Forest algorithm in gait quality assessment was explored. A relationship model was established between gait indicators and gait quality, yielding a predictive model accuracy of 95.99%. (3) The 13 main parameters significantly influencing asymmetric gait quality were identified through the Random Forest model’s feature importance ranking. (4) An analysis of gait quality sensitivity factors using the 13 important parameters led to the identification of five key sensitivity indexes. The Random Forest model utilizing these sensitivity factors achieved a predictive accuracy of 94.20%.

Key words: asymmetric gait, gait quality, gait parameter, random forest, feature importance, sensitivity factor, gait quality evaluation

中图分类号:

姜美姣, 张峻霞, 邵洋洋, 卢芳芳, 尹国富, 杨芳. 随机森林非对称步态质量评价模型的敏感因子分析[J]. 中国组织工程研究, 2024, 28(36): 5805-5810.

Jiang Meijiao, Zhang Junxia, Shao Yangyang, Lu Fangfang, Yin Guofu, Yang Fang. Sensitivity factor analysis of asymmetric gait quality evaluation model based on random forest algorithm[J]. Chinese Journal of Tissue Engineering Research, 2024, 28(36): 5805-5810.

图/表（结果） 4

2.1 参与者数量分析共计16名受试者完成了试验，对设置的4个非对称因子分别进行组合测试，每位受试者各完成12组试验，每组进行10次重复试验，总计完成测试16×12×10组。经初步筛选后排除了由于维康mark点数据丢失导致数据不全的问题数据，采集有效数据共1 606组。使用Matlab 2018b软件编制特定程序对试验数据进行预处理，排除因力台数据同步问题而导致的0值空值等问题数据，筛选可用数据总计1 346组。
2.2 试验流程图见图3。

2.3 步态质量与质量梯度分布图4将各个非对称因子对应的步态质量数据分布进行了对比，图中横坐标表示步态质量分类，其中0表示步态对称性得分在0.76-1.00范围内，1代表对称性得分为0.51-0.75，2代表对称性得分为0.26-0.50，3代表对称性得分为0-0.25；图中纵坐标表示各因子水平下步态质量梯度数据的分布数量，为了量化结果，对数量进行了归一化处理。

2.4 非对称步态质量重要参数随机森林模型的交叉验证cross_val_score预测精度为95.99%，经feature_importances_计算得到的步态参数重要性排序见图5，筛选到重要步态特征参数13个，按重要性得分自高向低排序分别是：领先侧足趾离地时刻骨盆Y向位移、跟随侧支撑相足趾离地时刻的髋关节角度、领先侧足趾最高时刻髋关节功率、跟随侧摆动相时间、跟随侧足趾最高时刻膝关节功率、跟随侧支撑相足趾离地时刻的膝关节角度、跟随侧支撑相足趾离地时刻的骨盆Y向位移、跟随侧支撑相时间、跟随侧支撑相足趾离地时刻的踝关节角度、领先侧摆相时间、跟随侧支撑相足趾离地时刻的踝关节力矩、领先侧支撑相足趾离地时刻的膝关节功率、领先侧支撑相足趾离地时刻的踝关节角度。

2.5 非对称步态质量敏感因子从重要特征中选取排序靠前的步态参数作为特征因子重构随机森林模型，依次增加因子个数，输出模型精度见图6。图中横坐标表示每次迭代使用的末位特征因子序号，纵坐标表示随机森林步态质量分类模型的交叉验证精度。经试验数据集的交叉验证表明，以特征重要性排序前5的因子组建的随机森林模型精度最高，交叉验证精度为94.20%。

参考文献

[1] HISANO G, HASHIZUME S, KOBAYASHI T, et al. Unilateral above-knee amputees achieve symmetric mediolateral ground reaction impulse in walking using an asymmetric gait strategy. J Biomech. 2021;115:110201.
[2] CEDIN L, KNOWLTON CB, WIMMER MA. Real-Time Musical Feedback From Pressure-Sensing Insoles For Asymmetric Gait Retraining. Osteoarthritis Cartilage. 2023. https://doi.org/10.1016/j.joca.2023.01.024
[3] KULMALA JP, PIIA H, JUSSI N, et al. Asymmetric gait results in symmetric muscular demands in affected versus unaffected side ankle and knee extensors in hemiplegic CP children. Gait Posture. 2020. https://doi.org/10.1016/j.gaitpost.2020.07.137.
[4] PATCHAY S, GAHÉRY Y. Effect of asymmetrical limb loading on early postural adjustments associated with gait initiation in young healthy adults. Gait Posture. 2003;18(1):85-94.
[5] SATO SD, SCHLECHTER M, PRICE M, et al. Asymmetric shoe height induces reactive changes in gait kinematics but not kinetics in healthy young adults. Gait Posture. 2023;104:70-76.
[6] BANKS JJ, UMBERGER BR, BOYER KA, et al. Lower back kinetic demands during induced lower limb gait asymmetries. Gait Posture. 2022;98: 101-108.
[7] 杨雅琴,王拥军,冯涛,等.功能性步态评价的临床应用[J].中国康复医学杂志,2011,26(12):1186-1189.
[8] FABBRI I, BETTI F, TEDESCHI R. Gait quality after robot therapy compared with physiotherapy in the patient with incomplete spinal cord injured: A systematic review. eNeurologicalSci. 2023;31:100467.
[9] 林英杰,吴建宁,林丽辉.人体步态对称性量化评价方法研究进展[J].中国生物医学工程学报,2019,38(2):222-232.
[10] 张子华,纪仲秋,庞博,等.老年人步态稳定性,步态评价与跌倒风险的研究进展[J].中国康复理论与实践,2019,25(7):793-796.
[11] VIENNE A, BARROIS RP, BUFFAT S, et al. Inertial Sensors to Assess Gait Quality in Patients with Neurological Disorders: A Systematic Review of Technical and Analytical Challenges. Front Psychol. 2017;8:817.
[12] 吴建宁,伍滨.构建基于小波熵的自训练半监督支持向量机分类模型评价老年人步态[J].中国生物医学工程学报, 2013, 32(5):588-594.
[13] YAMAGATA M, NAGAI R, MORIHIRO K, et al. Relation between the kinematic synergy controlling swing foot and visual exploration during obstacle crossing. J Biomech. 2023;157:111702.
[14] HAGOORT I, VUILLERME N, HORTOBÁGYI T, et al. Age and walking conditions differently affect domains of gait. Hum Mov Sci. 2023;89: 103075.
[15] JOHNSON K, LIANG H. Effect of unilateral ankle loading on gait symmetry in young adults. Gait Posture. 2023;104:120-125.
[16] YU X, WANG HJ, ZHEN QX, et al. Added forearm weights for gait pattern normalization in patients with Parkinson’s disease. J Clin Neurosci. 2023;114:17-24.
[17] YANG HS, JAMES CR, ATKINS LT, et al. Exploration of arm weight effects on hemiparetic stroke participants’ gait performance. Clin Biomech (Bristol, Avon). 2023;102:105873.
[18] JEON J, KWON SY, LEE YM, et al. Influence of the Hawthorne effect on spatiotemporal parameters, kinematics, ground reaction force, and the symmetry of the dominant and nondominant lower limbs during gait. J Biomech. 2023;152:111555.
[19] 张宇.基于步态质量指数和雷达图的患者步态评定方法[J].清华大学学报(自然科学版),2008,48(5):785-788.
[20] SHIN SY, LEE RK, SPICER P, et al. Does kinematic gait quality improve with functional gait recovery? A longitudinal pilot study on early post-stroke individuals. J Biomech. 2020;105:109761.
[21] HÖSL M, SCHUPFINGER A, KLICH L, et al. Relationship between kinematic gait quality and caregiver-reported everyday mobility in children and youth with spastic Cerebral Palsy. Eur J Paediatr Neurol. 2023;42:88-96.
[22] 张宇.运动障碍患者康复评定指标与步态病症诊断方法的研究[D].北京:清华大学,2007.
[23] 杨义勇,王人成,郝智秀,等.人体步态质量主元量化评定方法的研究[J].生物医学工程学杂志,2005,22(6):1100-1103.
[24] 王人成,张美芹.人体步态时相对称性评价指标的对比研究[J].中国康复医学杂志,2011,26(10):957-959.
[25] 吴存书,詹晓萱,赵思怡,等.运用雷达图对脊髓损伤步态训练进行系统评价再评价的质量和效果[J].中国组织工程研究,2021, 25(14):2287-2296.
[26] ENVELOPE TA. On the fractal geometry of gait dynamics in different neuro-degenerative diseases - ScienceDirect. Phys Med. 2022;14(3): 100050.
[27] ENDO T, SHIRADO O, TOMINAGA R, et al. Maximum gait speed and lumbar spinal mobility can affect quality of life in elderly women with lumbar kyphosis. North Am Spine Soc J. 2022;9:100100.
[28] 朱晓兰,赵芳,周兴龙.老年人步态特征的分析及其评价系统的初步建立[J].北京体育大学学报,2006,29(2):201-203.
[29] LECOMTE C, STARKER F, GUÐNADÓTTIR EÞ, et al. Functional joint center of prosthetic feet during level ground and incline walking. Med Eng Phys. 2020;81:13-21.
[30] THORNING M, NIELSEN HH, FRICH LH, et al. Gait quality and function after fampridine treatment in patients with multiple sclerosis - A prospective cohort study. Clin Biomech (Bristol, Avon). 2022;100: 105826.
[31] PAU M, COGHE G, ATZENI C, et al. Novel characterization of gait impairments in people with multiple sclerosis by means of the gait profile score. J Neurol Sci. 2014;345(1-2):159-163.
[32] PAU M, CORONA F, COGHE G, et al. Quantitative assessment of the effects of 6 months of adapted physical activity on gait in people with multiple sclerosis: a randomized controlled trial. Disabil Rehabil. 2018;40(2):144-151.
[33] GASSNER H, LIST J, MARTINDALE CF, et al. Functional gait measures correlate to fear of falling, and quality of life in patients with Hereditary Spastic Paraplegia: A cross-sectional study. Clin Neurol Neurosurg. 2021;209:106888.
[34] HORST F, SLIJEPCEVIC D, SIMAK M, et al. Modeling biological individuality using machine learning: A study on human gait. Comput Struct Biotechnol J. 2023;21:3414-3423.
[35] HASAN MM, MUSTAFA HA. Learning view-invariant features using stacked autoencoder for skeleton-based gait recognition. IET Computer Vision. 2021;(7):15.
[36] PAPAVASILEIOU I, QIAO Z, ZHANG C, et al. GaitCode: Gait-based Continuous Authentication Using Multimodal Learning and Wearable Sensors. Smart Health. 2020;19:100162.
[37] HUANG DD, WU GF, LUO X, et al. Value of muscle quality, strength and gait speed in supporting the predictive power of GLIM-defined malnutrition for postoperative outcomes in overweight patients with gastric cancer. Clin Nutr. 2021;40(6):4201-4208.
[38] FUJITA K, HIYAMA T, WADA K, et al. Machine learning-based muscle mass estimation using gait parameters in community-dwelling older adults: A cross-sectional study. Arch Gerontol Geriatr. 2022;103: 104793.

引言

不对称步态模式通常表明潜在的身体或神经疾病，包括但不限于神经系统疾病、肌肉骨骼损伤和与衰老相关的变化，通过量化和分析这些不对称现象，医疗保健专业人员可以跟踪疾病进展，设计个性化治疗方案，从而改善患者的活动能力和整体生活质量[1-6]。研究人员正在利用步态的不对称性对疾病进行诊断评估，并逐渐提炼出步态质量评价指标。其中，步态质量评价的主要指标是对称性指标，基于步态对称性虽然可对步态质量进行评估，但不能对步态康复训练提供直接的参数指导[7-10]。识别并阐明步态参数之于步态质量的作用机制成为了一项亟需解决的问题。
机器学习是一种常见数据分析技术，旨在从多维数据集中获得相应规律，进而构建预测模型。近年来，一些机器学习的算法在模拟特征与潜在结果之间的相关性、疾病诊断和风险预测方面均有较好的准确性[11-12]。
综合分析常见的非对称步态模式如退行性病变、单侧下肢病理性改变、穿戴单侧假肢、跨越障碍和单侧负重等[13-18]，选取4种典型步态非对称因子，设置步态质量梯度试验。使用步态质量对称性评价指标建立梯度步态质量数据集，基于随机森林算法建立步态质量预测模型。提出一种基于随机森林算法的非对称步态质量敏感因子识别方法，对步态参数在步态质量的重要性上进行排序，选取重要参数进行全面的步态质量敏感性因子分析，得到5个关键的对称性步态质量敏感因子，并通过试验数据集评估诊断模型的准确性。该方法可更好地阐明步态参数与步态质量的关联机制，为步态相关疾病患者提供更准确的诊断和量身定制的治疗策略。中国组织工程研究杂志出版内容重点：人工关节；骨植入物；脊柱；骨折；内固定；数字化骨科；组织工程

材料方法

1.1 设计非对称步态质量梯度试验，建立基于随机森林的步态质量评价模型。筛选步态质量敏感参数，并使用实验数据对敏感参数模型的准确性进行验证。
1.2 时间及地点试验于 2018 年 12 月在天津科技大学机电一体化研究二室完成。
1.3 对象招募16名健康受试者，其中8位青年受试者，平均年龄(27.0±3.0)岁，平均身高(1.68±0.09) m，平均体质量(65.7±12.4) kg；8位老年受试者，平均年龄(67.5±2.5)岁，平均身高(1.70±0.58) m，平均体质量(69.1±14.4) kg。为了避免性别和优势侧的干扰效应，此次研究招募的受试者均为男性右侧优势人群，所有受试者均不存在可能影响步态或认知功能的病理特征。所有受试者均在被告知试验的程序和要求后签署了书面同意书。此次研究可能涉及的所有伦理问题均已通过天津科技大学机械工程学院专家审核并报请天津科技大学机械工程学院批准。
1.4 方法

1.4.1 步态质量数据收集应用AMTI 生物力学测力台搭建有效运动跟踪面积为6 m×1.2 m的平坦步道，在距离起点2.4 m的位置设置垂直高度为0.14 m的障碍物，如图1所示，障碍高度跟据楼梯、台阶高度设计标准确定。受试者以自选速度沿步道长度方向行走并跨越障碍，每位受试者分别在(2障碍物×4负重方式×2领先侧)条件下各进行10次重复试验。使用8个红外线摄像机的VICON三维运动捕捉系统对受试者身上的16个红外线反光点进行运动轨迹捕捉，红外线反光点的布置见图2。

1.4.2 数据预处理从维康运动捕捉系统中提取受试者领先侧和跟随侧先后跨过障碍的一个完整步态周期行进分析，提取领先腿和跟随腿跨障过程实时的关节角度，对领先跨障腿跨越障碍步的髋、膝、踝关节分别提取支撑相和摆动相的关节角度、关节力矩、功率；对跟随跨障腿跨越障碍步的髋、膝、踝关节分别提取支撑相和摆动相的关节角度、关节力矩、功率；同时分别提取领先侧和跟随侧支撑相和摆动相的骨盆位移；计算时空步态参数，将上述数据作为非对称步态质量参数特征变量，从每位受试者单次试验中提取的步态参数总计88个。计算每个单次试验的步态质量得分，按步态质量对称性得分的高低将所有试验数据划分为4个质量类。使用数字标签标记每个单次测试数据对应的步态质量分类。步态质量计算公式如下：

其中，T0=1 s，代表健康人常规行走时的步态周期；T为受试者行走步态周期；Ss表示测试周期内双侧下肢中支撑相用时较短的时间；Sm表示测试周期内双侧下肢中支撑相用时较长的时间；Ws表示测试周期内双侧下肢中摆动相用时较短的时间；Wm表示测试周期内双侧下肢中摆动相用时较长的时间。
1.4.3 随机森林预测模型超参数调节使用随机森林分类(Random Forest Classifier) 预测算法对步态质量数据集进行分类预测，使用试算法对模型的超参数迭代取值，最终选取max_depth=2，n_estimators=10，max_leaf_nodes=3，random_state=22。使用cross_val_score对模型精度进行交叉验证，取cv=10，即采用10折交叉验证取10次分类结果的众数作为最终分类结果以减少偶然误差和不确定性。
1.4.4 特征重要性排序分析使用feature_importances_对随机森林模型的特征重要性进行分析，计算每个步态参数的特征重要性得分，将得分由大到小排序，同时将结果可视化。得到重要性得分大于0的参数为步态特征质量重要参数。
1.4.5 非对称步态质量敏感因子分析从重要参数中选取非对称步态质量敏感因子，按重要参数的重要性得分选取参数作为新的步态质量分类数据集，使用随机森林模型对数据集进行分类预测；从最少参数数量为1起，向数据集中依次增加重要参数的个数，直到取完所有步态质量重要参数为止，记录每组数据集的随机森林模型交叉验证结果，选取精度最高的参数组合作为非对称步态质量敏感因子，得到由敏感因子组成的随机森林非对称步态质量分类模型。
1.4.6 样本量按如下设计由受试者完成重复试验：①障碍物：无障碍和有障碍；②优势侧：左腿领先跨障，右腿领先跨障；③年龄：青年组和老年组；④负重：无负重，有负重。共采集有效步态数据1 606组，经缺失值筛选后得到满足后续分析的步态试验数据1 346组。将数据按对称性指标得分进行划分，得到各个质量等级的数据量分别为：最优组759，次优组329，中间组133，较差组125。
1.5 主要观察指标 ①步态质量梯度结果；②随机森林预测结果；③特征重要性排序结果；④非对称步态质量敏感因子分析结果。
1.6 统计学分析使用 Matlab 2018b软件编制特定程序对试验数据进行预处理，筛选可用数据，计算对应的步态质量对称性指标，输出数据用于后续分析。机器学习算法实现工具为python软件(3.9)。文章统计学方法已经天津科技大学机械工程学院生物统计学专家审核。

讨论

3.1 试验结果讨论
3.1.1 非对称步态质量整体分布试验得到的对称性因子步态质量分布见图4，图中点线图为整体步态质量分布，柱状图为各试验因素对应的步态质量分布，点线图和柱状图均呈现出在0，1，2，3四个得分区间的数据分布，说明所设计的步态试验实现了针对步态对称性指标的步态质量梯度分布。
在图4A中，平地行走的对称性步态质量得分表现出明显的不均衡性，其中超过85%的对称性得分分布在第0组，即最优对称性得分，1，2，3组总数仅占不足15%，表明参与试验的受试者在正常行走状态下具有优质的步态对称性。
分别对比整体对称性步态质量分布和各因子影响下的步态质量分布，障碍、年龄、优势侧和负重都对步态的对称性带来了不同程度的影响。其中，非优势侧步态贡献了最多的对称性得分标记为2的较差对称性得分(图4C)。障碍步态的2分组对称性得分数量仅次于非优势侧步态(图4A)，也远超整体对称性步态质量2分组水平；年龄组(图4B)和负重组(图4D)也在对称性2分组的得分数量中表现出超过整体水平的非对称性。说明在以上4个非对称因子中，优势侧和障碍对步态对称性的影响最大，负重和年龄对步态对称性的影次之。
3.1.2 非对称步态质量因子影响对比4个因子中各质量分组的组内差异，障碍因子的0，1，2，3组均有较大的组内差异。其中，0，2两组的差异最大，0组相差约40%，2组相差约30%；优势侧因子的0，1，2，3组也存在明显的组内差异，0，2同样为差异最显著的两组，0组相差约25%，2组相差约15%。相较于障碍因子，优势侧因子的组内差异略小，但仍显著大于年龄因子和负重因子的组内差异；负重因子和年龄因子的组内差异相对较小，负重因子的组内差异在3%-5%范围内，各质量组均有差异；年龄因子的组内差异均在3%以内，且仅0，2，3组表现出组内差异。对比各因子的组内差异可知，在导致非对称步态的因素中，障碍因子表现出最大的非对称性，优势侧因子是影响力仅次于障碍因子的非对称因素，负重因子对步态非对称性有影响，影响因素远小于障碍因子和优势侧因子，相对而言，年龄因子对步态非对称性的影响最小，但仍表现出影响力。
分别对比各因子水平对组内差异的贡献，在组内差异较大的障碍因子和优势侧因子图中，平地行走对优质步态的贡献最显著，障碍行走对劣质步态有显著的贡献；优势侧行走提供了大量的优质步态，非优势侧行走提供的劣质步态数量占多数。在组内差异较小的年龄因子和负重因子图中，青年组提供了更多的优质步态0和2，表明青年组的步态对称性优于老年组；无负重水平在1，2组数量占优势，负重水平在0，3组有较多分布，不能明确界定负重对步态对称性的影响。
3.1.3 步态质量因子敏感性讨论对于随机森林{h(X)}，使用边际函数mr(XY)表示分类的正确性，用正确分类hk (X)=Y的得票数超过不正确分类hk (X)=j的最大得票数计算。边际函数计算式如下：

其中，X为随机向量，Y为正确分类的向量，j为不正确分类的向量，P(hk (X)=Y)表示预测正确的概率，

表示判断错误的其他分类概率的最大值。
如图5所示，随机森林识别的13个重要因子中，领先侧相关因子8个，跟随侧相关因子5个；其中7个足趾离地时刻特征，表明领先侧步态特征对步态质量的影响大于跟随侧，足趾离地时刻对步态质量起关键作用。因子敏感性(图6)中，当敏感因子数量小于5时，模型的预测精度有一定幅度的波动，因子数量达到5个时，模型取得理想的预测精度。因子数量大于5的情况下，随着因子数的增加，模型表现出欠拟合或过拟合的特征，说明引入过多的因子数量会降低模型的预测精度，故选择排序前5的因子作为步态质量敏感因子。 3.2 既往他人在该领域研究的贡献和存在的问题前人对非对称步态进行了广泛的研究，从非对称步态的质量评价和使用非对称步态特征进行病理性分析两方面都取得了进展。在非对称步态评价方面，众多学者提出了评价指标以及针对评价指标进行的评估[19-25]。在非对称步态相关的病理性诊断方面，前人运用步态质量评价对老年人退行性病变进行评估[26-29]，疾病步态和单侧假肢步态在运动学、动力学和神经肌肉等方面均进行了详细的讨论[30-33]。前人应用人工神经网络、机器学习和深度学习等方法对步态的运动学、动力学指标进行学习，在步态分类、疾病诊断、智能假肢和助行器运动轨迹规划等方面做出贡献[34-38]。前人的研究并未建立步态质量与步态参数间的直接对应。
3.3 作者研究区别于他人他篇的特点在前人研究的基础上设计了质量梯度步态试验，成功建立了步态质量梯度模型。模型数据库的步态质量评价得分分布表明，步态质量的整体分布均匀；障碍和优势侧的步态质量差异明显，负重和年龄的步态质量差异相对不明显。
使用随机森林模型预测非对称步态质量，通过特征重要性分析选出13个步态质量重要特征参数；在重要参数的基础上进行了步态质量敏感因子分析，提取5个非对称步态质量敏感因子，使用敏感因子更新了非对称步态质量随机森林分类模型，交叉验证精度与原始模型基本一致。研究建立了步态参数与步态质量的直接关联，该方法可用于步态质量评估和康复训练指导。
3.4 研究的局限性使用人为构建的非对称步态建立样本体系，没有进行病理性非对称步态的讨论，后续研究中将开展脑卒中康复后步态和单侧假肢步态的研究。
3.5 研究的重要意义此次研究设计了非对称步态质量梯度试验，研究了随机森林算法在步态质量评价方面的应用方法，建立了步态质量与步态参数的关系模型，可用于指导步态康复和辅具设计。中国组织工程研究杂志出版内容重点：人工关节；骨植入物；脊柱；骨折；内固定；数字化骨科；组织工程

随机森林非对称步态质量评价模型的敏感因子分析

Sensitivity factor analysis of asymmetric gait quality evaluation model based on random forest algorithm

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表（结果） 4

参考文献

相关文章 12

引言

材料方法

讨论

文章快阅

延伸阅读

编辑推荐

Metrics

本文评价

[1]	何心愉, 周红海, 姜宏, 马智佳, 苏少亭, 林泽宏, 田君明, 陈龙豪, 刘柏杰. L5/S1椎间盘突出重吸收的腰骶矢状面参数改变[J]. 中国组织工程研究, 2024, 28(9): 1330-1335.
[2]	何心愉, 周红海, 姜宏, 马智佳, 苏少亭, 林泽宏, 田君明, 陈龙豪, 刘柏杰. L5/S1椎间盘突出重吸收的腰骶矢状面参数改变[J]. 中国组织工程研究, 2023, 27(在线): 1-6.
[3]	于文强, 任富超, 石国宏, 许苑晶, 刘同有, 谢幼专, 王金武. 脑卒中后下肢步态分析的方法与应用[J]. 中国组织工程研究, 2023, 27(8): 1257-1263.
[4]	游国鹏, 王健清, 刘飞, 袁强, 柳皓严, 吴瑛. 基于机器学习的速度攀岩关键技术动作指标筛选[J]. 中国组织工程研究, 2023, 27(5): 738-744.
[5]	于健, 周冰倩, 王朝, 李月, 常雅茹, 曹虹. 随机森林模型和Logistic回归模型预测髋部骨折患者住院时间延长的效能比较[J]. 中国组织工程研究, 2023, 27(34): 5413-5420.
[6]	冯敏，冯辉，张一雨，王乐军. 随机森林模型分析大学生体质健康影响因素：来源于同济大学568名学生的问卷调查[J]. 中国组织工程研究, 2019, 23(23): 3722-3728.
[7]	毛子木，尹崑，王宇泽，李鹏翠，郭丽，卫小春. 钽棒置入治疗股骨头坏死的疗效分析及预后模型建立[J]. 中国组织工程研究, 2016, 20(47): 7043-7050.
[8]	张燕，郜鑫，陈玲玲，张浩淼. 基于随机森林算法的地形识别系统在主动型膝上假肢控制中的应用[J]. 中国组织工程研究, 2015, 19(53): 8609-8614.
[9]	杨水祥，魏晓菲，崔淯夏，周勇. RNA干扰抑制内皮细胞韦伯潘力氏小体的释放[J]. 中国组织工程研究, 2013, 17(2): 301-308.
[10]	王睿恒1，万瑛2. 可溶性N-乙基马来酰亚胺敏感因子结合蛋白受体与巨噬细胞的免疫学功能☆[J]. 中国组织工程研究, 2012, 16(5): 919-922.
[11]	杨铮，华琳，刘红. 应用普通变异位点的主成分分析法探讨群体结构[J]. 中国组织工程研究, 2012, 16(33): 6206-6210.
[12]	闫璐颖，华琳，闫岩. 随机森林滑动窗法探查类风湿疾病单核苷酸多态性及在上位显性交互研究中的应用[J]. 中国组织工程研究, 2011, 15(17): 3191-3195.