Gait assessment by analyzing selected kinematic characteristics associated with the lower limbs movement in the sagittal plane

Abstract

Analiza chodu odgrywa kluczową rolę w diagnostyce medycznej, umożliwiając identyfikację ograniczeń strukturalnych i funkcjonalnych oraz ocenę skuteczności leczenia. Zaburzenia chodu, wynikające z upadków lub przewlekłych schorzeń neurologicznych, poważnie wpływają na jakość życia i generują wysokie koszty ekonomiczne, co stymuluje rozwój nowych metod analizy. Tradycyjne ilościowe metody oceny chodu koncentrują się na analizie cech czasowych i przestrzennych, takich jak prędkość chodu, pomiary kinematyczne i sygnały aktywacji mięśni. Ze względu na trudności w analizie dynamiki mięśni, rośnie zainteresowanie danymi kinematycznymi, szczególnie w kontekście ruchu stawów. Jednak mniej uwagi poświęcono chwilowemu środkowi obrotu (1CR) segmentów ciała, który może dostarczyć cennych informacji o cyklu chodu. W odpowiedzi na te wyzwania, zaproponowano nową metodologię dyskryminacji nieprawidłowych wzorców chodu opartą na trajektorii ICR segmentów kończyn dolnych. Metodologia ta polega na śledzeniu pozycji ICR w czasie i reprezentowaniu każdego testu chodu jako wielowymiarowego szeregu czasowego. Porównania tych szeregów, przy użyciu miar niepodobieństwa oraz metody samoorganizacji, tworzą trójwymiarową sieć, w której węzły oznaczają testy chodu, a odległości między nimi odzwierciedlają różnice. Analiza skupień automatycznie identyfikuje grupy osób o podobnych wzorcach chodu i wykrywa węzły odstające, które mogą wskazywać na zaburzenia chodu. Metodologia została przetestowana na pacjentach z chorobą Parkinsona, uzyskując obiecujące wyniki.

Gait analysis plays a crucial role in medical diagnostics by enabling the identification of structural and functional limitations and assessing treatment efficacy. Gait disorders, resulting from falls or chronic neurological conditions, significantly impact quality of life and incur high economic costs, driving the development of new analysis methods. Traditional quantitative gait assessment methods focus on analyzing temporal and spatial features, such as gait speed, kinematic measurements, and muscle activation signals. Due to challenges in analyzing muscle dynamics, there is growing interest in kinematic data, particularly in the context of joint movements. However, less attention has been given to the instantaneous center of rotation (ICR) of body segments, which can provide valuable information about the gait cycle. In response to these challenges, a new methodology for discriminating abnormal gait patterns based on the ICR trajectories of lower limb segments has been proposed. This methodology involves tracking the ICR position over time and representing each gait test as a multidimensional time series. Comparing these series using dissimilarity measures and self-organizing methods creates a three-dimensional network, where nodes represent gait tests and distances between them reflect differences. Cluster analysis automatically identifies groups of individuals with similar gait patterns and detects outlier nodes that may indicate gait abnormalities. The methodology has been tested on Parkinson's disease patients, yielding promising results.