基于自组织映射神经网络的足下垂患者足底压力智能调整系统设计与研究

1 引言

1.1 研究背景与意义

足下垂是由腓总神经损伤、脑卒中、脊髓损伤等引发的常见运动功能障碍疾病，全球每年新增患者超数百万， 30%-40% 由脑卒中、车祸所致。患者行走时足尖下垂、步幅异常，会导致足底压力分布失衡，持续 3 个月以上易引发足部溃疡、肌肉萎缩等并发症。临床常用的支具辅助、康复训练及手术治疗均缺乏对足底压力的精准调控，因此构建足底压力预测模型实现智能补偿意义重大。自组织映射神经网络可将高维压力数据映射至低维空间并保持拓扑结构，有望突破传统方法局限。

1.2 国内外研究现状

国内外足底压力研究主要集中于特征提取与疾病诊断。文献 [1] 利用 BP 神经网络对糖尿病足实现高准确率分类，但存在易陷局部最优等缺陷；文献[2] 通过传统统计模型发现足下垂患者与正常人的压力参数差异，但模型泛化能力受限。智能调整领域，现有研究多基于静态补偿，无法适应动态场景及个性化需求。尽管文献 [3] 将 SOM 用于正常人群步态分类，但其在患者足底压力预测与调整中的应用仍待探索。

2 基于SOM 的足底压力预测模型构建

2.1 数据集收集与预处理

招募 100 名健康受试者（20-50 岁，BMI18.5-24.9），采集人体特征（身高、体重等4 项）、鞋底特征（材料、厚度等4 项）、行走场景（平地、坡地等4 类）及 10 区域足底压力数据；同时收集 30 名足下垂患者无补偿状态下同类数据。采用 Butterworth 低通滤波器（ 10Hz ）去噪，按步态周期分段数据，并将特征归一化至 [0,1] 区间。

2.2 自组织映射神经网络模型设计

模型输入层 22 维，整合多源特征；输出层为 15×15 二维网格神经元，每个对应一种压力模式；相邻神经元通过高斯函数定义连接权重，保持拓扑结构。训练时随机初始化权重，经 1000 次迭代，通过欧氏距离确定最佳匹配单元（BMU）并更新权重。引入学习率衰减函数 ，采用5 折交叉验证，以MSE 评估模型性能。

3 足下垂患者足底压力智能调整方

3.1 患者压力数据采集与分析

使用相同传感器采集患者无补偿足底压力，分析压力集中区域及峰值异常值，将数据输入SOM 模型，匹配邻近正常压力模式作为调整目标。

3.2 正常压力预测与补偿策略

结合患者特征、场景及 SOM 输出确定目标压力分布 \(P_{target}\)，计算补偿量 \(\DeltaP=P_{target}-P_{patient}\)。通过充气鞋垫等装置，依 \(\DeltaP\) 正负动态调整区域支撑力：\(\DeltaP>0\) 时增加支撑压力，\(\DeltaP<0\) 时减少压力负荷。

4 实验设计与结果分析

4.1 实验设置

对照组纳入 10 名健康受试者，用于验证 SOM 模型的压力预测准确性并作为性能评估基准。患者组选取20 名足下垂患者，随机分为两组：SOM 调整组（10人）采用本研究方法干预，传统支具组（10 人）使用常规足下垂支具治疗。

评价指标包括： ① 模型性能以均方误差（MSE）和决定系数（R2）衡量，MSE 反映预测误差，R2 越接近1 拟合效果越好； ② 患者调整效果通过压力均衡指数（PEI，越接近 1 压力分布越对称）和步态周期时长偏差率（偏差率越小步态越正常）评估。

4.2 模型评估结果

训练集MSE为 0.032±0.005,R2 为 0.92±0.03 ；测试集MSE为 0.041±0.008 ，R2 为 0.89±0.04 。测试集 R2 接近 0.9，表明模型能有效捕捉压力分布特征，虽测试集误差略高于训练集，但仍保持较高拟合度，泛化能力良好。

4.3 患者压力调整效果

SOM 调整组干预后 PEI 从 0.68±0.12 提升至 0.85±0.07 （接近正常人群0.90±0.05 ），步态周期偏差率从 18.5%±3.2% 降至 7.8%±1.5% ；传统支具组PEI 从 0.65±0.11 提升至 0.72±0.09 ，偏差率降至 12.3%±2.1%_⨀ 。SOM 组在压力均衡性和步态协调性上的改善显著优于传统支具组（ p<0.05 ），压力分布均匀性提升更明显。

讨论与结论

首次将自组织映射神经网络（SOM）应用于足下垂患者足底压力预测与智能调整，利用其拓扑保序特性实现多维特征与压力模式的非线性映射，为该领域提供新技术路径。研究构建含人体特征、鞋底参数及场景变量的多维数据集，提升模型对不同个体与场景的适应性，更精准模拟真实足底压力变化；提出动态压力补偿策略，通过实时计算补偿量实现个性化调整，较传统静态支具显著提升精准度。

参考文献

[1]SmithJ,etal.BPneuralnetworkforplantarpressureclassificationindiabeticfoot.Journ alofBiomedicalEngineering,2022,40(3):123-135.

[2]ChenL,etal.Statisticalmodelingofplantarpressureinfootdroppatients.Medical&Bio logicalEngineering&Computing,2021,59(5):1101-1112.

[3]WangY,etal.Gaitpatternclassificationusingself-organizingmaps.IEEETransaction sonNeuralSystemsandRehabilitationEngineering,2020,28(7):1543-1552.

作者简介：王晨哲，2005.06、男、汉族、泽州人、大专、研究基于自组织映射神经网络的足下垂患者足底压力智能调整方法