ارائه روشی جدید به منظور استخراج مراحل استقرار و تاب خوردن گام مبتنی بر تغییرات شتاب در تجزیه تحلیل راه رفتن افراد نرمال و مبتلا به پارگی رباط صلیبی

سابقه و هدف: پیچیده و گران بودن روش های ارزیابی عملکردی مبتلایان به پارگی رباط صلیبی قدامی، گرایش استفاده از ابزارهای ساده مانند شتاب سنج و تجزیه و تحلیل گام افراد، مبتنی بر تکنیک های پردازش سیگنال را افزایش داده است. به این منظور، حین به کارگیری این سنسور روی درشت نی، تعیین مراحل گام، ضروری است. هدف این مطالعه، ارایه الگوریتمی نوین بر پایه توابع موجک و پیچش زمانی پویا، به منظور شناسایی گام و تفکیک مراحل گام سیگنال های خام شتاب درشت نی می باشد.مواد و روش ها: در این پژوهش نیمه تجربی، جهت آشکارسازی استقرار و تاب خوردن گام 20 فرد سالم و 20 فرد مبتلا به پارگی رباط صلیبی، با کمک تبدیل موجک تا جزء 32 کلاه مکزیکی، سیگنال های شتاب به منطقه جستجو محدود شد و از روش ساده آشکارسازی قله، اعمال پیچش زمانی پویا و قیود زمانی، تحلیل در حوزه زمان انجام شد.یافته ها: 376 گام از 391 گام سالم افراد نرمال و 392 گام از 415 گام سالم افراد غیرنرمال به درستی استخراج شد. در افراد نرمال از 17 گام دارای خلل، 14 گام و در افراد غیر نرمال، تمامی گام های دارای خلل به درستی کنار گذاشته شد.استنتاج: روش پیشنهادی توانایی تفکیک مراحل استقرار و تاب خوردن را برای دو گروه نرمال و مبتلا به پارگی رباط صلیبی، به ترتیب دقت 94 و 95 درصد دارد که بالاتر از مطالعات مشابه است و برای شناسایی گام افراد سالم و دچار پارگی رباط صلیبی بسیار مفید است.

A Novel Detector Algorithm for Swing and Stance Phases Based on Knee Acceleration Variation in Gait Analysis among Normal and ACL-deficient Subjects

Background and purpose: High cost and complication of some instruments assessing functional capabilities in athletes with anterior cruciate ligament (ACL) deficiency have caused increasing attentions towards using inexpensive and userfriendly instruments as accelerometers and gait analyzing based on signal processing. Therefore, gait phases detection seems to be necessary while accelerometer is mounted on tibia. The aim of this study was to present a novel algorithm based on wavelet functions and dynamic time warping in order to gait detecting and gait breakdown from tibia acceleration raw data.Materials and methods: A semiexperimental study was performed in which swing and stance phases of 20 healthy individuals and 20 ACLdeficient individuals rsquo; gait were detected using up to order 32 of Mexican hat function of wavelet transformation. The acceleration signals were divided o peak searching parts. Time domain analyses were performed using peak detectors and dynamic time warping functions.Results: In normal individuals and ACLdeficient subjects, 376 and 392 strides were detected from 391 and 415 strides, respectively. Also, in normal individuals from 17 distorted strides 14 and in those with ACLdeficiency all distorted strides were completely corrected.Conclusion: The suggested algorithm was found to be capable of detecting swing and stance phases of the gait in both normal and ACLdeficient patients by accuracy rates of 94% and 95%, respectively. These rates are higher compared with previous studies. This novel algorithm could be applied as a useful method for gait evaluation in healthy people and individuals with ACLdeficiency.