对人类行走和应用程序的协调结构的审查主成分分析外文翻译资料

对人类行走和应用程序的协调结构的审查主成分分析

Xinguang Wang Nicholas Orsquo;Dwyer Mark Halaki

¹Discipline of Exercise and Sport Science, The University of Sydney, Australia

²School of Science and Health, The University of Western Sydney, Australia

³School of Human Movement Studies, Charles Sturt University, Australia

Corresponding author: Xinguang Wang☆, Discipline of Exercise and Sport Science, The University of Sydney, NSW 2006, Australia, Email: moc.liamg@gnaw.gx.sirhc. (N20121126002/LWJ)

Author contributions: All the authors were responsible for design, preparation, and writing of the manuscript.

Author statements: The manuscript is original, has not been submitted to or is not under consideration by another publication, has not been previously published in any language or any form, including electronic, and contains no disclosure of confidential information or authorship/patent application disputations.

Received 2012 Dec 29; Accepted 2013 Feb 5.

Copyright : copy; Neural Regeneration Research

This is an open-access article distributed under the terms of the Creative Commons Attribution-Noncommercial-Share Alike 3.0 Unported, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.

摘要

步行是一项复杂的任务，其中包括数百个肌肉，骨骼和关节联手提供流畅和复杂的动作。行走已被广泛研究，以便确定多段运动的模式和显示控制机构。自由和尺寸特性的程度提供协调结构的行走过程中的图，其已被广泛研究通过使用降维技术。在本文中，涉及到的协调结构的研究，行走时的尺寸检测和模式重组进行了审查。主成分分析，作为一个流行的技术，被广泛应用于人体运动数据的处理。并就重点原则和主成分分析的结果，本文进行了介绍。这种技术已报道成功地减少原始数据中的冗余，识别由所提取的主成分为代表的物理意义和区分不同的模式。在用这种技术评估行走的协调结构，可以提供人体控制机制的进一步的信息和相关行走图案的伤害。

关键词: 神经再生，评论，人类行走，协调的结构，模式，协同，主成分分析，降维，性别，行走速度，相关性，线性系统的分析，连贯性，神经再生

研究亮点

（1）在过去十年许多研究里，已经提供了运动经由肌肉的协同作用或协同作用肢模块化控制的构思支持。这样的协同作用已被提议作为积木，可以简化的运动行为的结构。

（2）主成分分析是一个强大而优雅的数据分析，以获得高维过程的低维近似方法。它已成功地通过提供最大限度的保留了方差主成分捕获数据冗余。

（3）本审查文件提供了关于人类运动的协调结构和更完整的信息来识别运动的协调技术。

引言

人体是一个复杂的系统，它由数百个骨骼，关节和肌肉组成。人体运动是由这是由大约700名肌肉与几个旋转轴供电，并连接到约300多关节运动段。因此在运动过程中，对人体有大量的自由度。一个微调和高度复杂的中枢神经系统，必须确保娴熟的动作，如散步，口语和写作。由于涉及大量的循环运动体段的任务，走路，需要适当的耦合体节的协调运动，产生平滑的运动，保持平衡，尽量减少能量消耗和防止受伤。

在使用降维技术中走许多研究人员已经确定的维度。对自由度的调查提供的原则和理论的动作的背后有更深的了解。在本文中，自由和行走的尺寸特性的程度进行了审查，和流行的技术使用。行走过程中的协调结构的调查可能提供有关对人体运动的控制机制更深入的了解。

控制机制

通常，人在行走过程中，中枢神经系统的功能是负责在移动的控制的感觉和运动信息的整合和组织的指挥中心。从感受器的神经信号所形成的感觉信息通过脊髓向大脑传递。这些信号然后被集成到任务要求，并且将所得信息被翻译成被通过下行路径发送到马达单元和触发相应的肌肉来产生移动指令[1]。电动机单元是电动机神经信息的传输，以激活肌肉和运动的最后端。

行走过程中的现象可以在自由度的数量方面进行说明。作为一个令人难以置信的复杂系统，该电动机系统表现出的运动控制过程中有大的自由度。电动机控制系统必须克服自由问题的程度，以便产生良好的协调运动[2]。自由度的总数被定义为在一个控制系统中的独立的元件或部件的数量和方式，每个组件可以充当数。控制问题，通过确定如何来约束，以产生特定结果的自由度的系统的数目解决。期间的移动，有人建议，大脑减少自由度的数量和只控制关节的位置。稍微不同的图案的一个主体内跨学科或跨个别重复呈现可以由相当大的灵活性的肌肉活动[3]进行说明。

协调

协调被定义为通过减少独立变量的数量掌握的数量非常大的程度涉及一个特定运动自由度的问题得到控制[2]。人体运动的控制是通过组织称为“协同效应” 肢段之间的动作为键或联轴器简化[2]，更精细的概念，“配位结构”[4,5]。在技​​术方面，协同作用或协同的结构被定义为合力产生的结果没有任何单独的元素得到不同元素的结构或集合。而协同作用的概念已经经常被应用到运动的模块，必须认识到的是，术语协同已经在电动机控制的文献中定义松散[6]和协同作用的不同的概念存在[7]。过程中人体运动，肌肉骨骼和神经元成为联，并作为一个功能单元，以减少执行控制的维数。许多生物力学研究支持这样的功能单元的存在，并表明多节段运动是高度耦合的和相关的各种任务[8,9,10,11,12,13,14]。

作为一项复杂的任务，难以充分了解的模式，运动和人的步行的动力学性质。最近的研究试图发现走路的协调结构，并回答了神经系统如何控制步态力学[15,16,17,18,19,20,21]。有人建议，行走模式似乎是非常简单的，一致的步态时被认为是在整个身体层面的分析,而不是个人模式的肌肉 [15,22,23,24,25]的图案的全身水平。这种现象可以通过协同效应在整个身体水平地解释为跨段的协调。这些联接器和相关性提出导致在步态力学[15]的自由度的数量的减少。

为了检测运动的格局和协调，极大的研究工作已指向了解多节段性运动相关联的机制。人类行走的协调结构已探索从理论和实验方面[26]。建模方法包括从耦合振荡器的神经调节[27,28]来协同[29,30]，基理论[31]，和拓扑动力学[32,33]已被用于描述步态和它已经提出过量度自由是由神经控制的约束。其结果是，肢动力学被限制在维数比原始参数空间的下部的吸引空间。实验研究已进行收集，以提供证据，导致减少维度协调机构，从不同的任务既运动学和动力学数据。被发现的大腿，小腿和脚的仰角在行走期间将相关[15]。对人的运动肢段之间的协方差的调查表明，下肢段相对于所述垂直和前进方向的仰角随时间的变化进行了高度耦合和相关。这个平面的腿部段共变的角度在其他一些研究[26,34,35,36,37]证实。

测量和分析技术

协同作用的概念定义中，多元素系统内的元件共同改变它们的输出，以保持协调模式，并提供一个稳定的移动。许多计算方法如主成分分析，独立成分分析和非负矩阵因子分解已经被应用到量化期间特定的任务[38]的元件之间。具体来说，本文回顾了最近的研究，着重主成分分析对人体运动的应用程序。

主成分分析是什么

主成分分析是因为其潜在的数据缩减和解释[39]所使用的数据分析，调查的自由度的数目在一个动作中最常用的方法之一。这是一个多变量，非参数统计技术，可以将复杂的数据集内发现隐藏的结构，同时过滤掉噪音。主成分分析的主要目的是由代表的组分解释方差的最大量的有限数量的变化来概括在数据中的最重要的信息。

在数学上，主成分分析是原始变量转换成一组新的不相关的主分量的正交变换。这些主要组分的数量比变量在原始数据的数量要少得多。原始数据集内的大多数变异可由第一几个主成分进行说明。剩余的主要成分，其占少量变化，可以被丢弃或与噪声信号相关联，因此维数的降低是实现的[40,41]。因为残差被定义为原始数据和从该反相主成分模式估计之间的差，所述残差应代表随机噪声的信息。因此，主成分分析可以降低随机噪声的原始数据[42]的效果。

为什么使用主成分分析

在人体运动的研究中，主成分分析已经被用于通过确定有助于变异的运动模式源的最重要的因素，以降低的复杂的数据集的维数。由于内人体运动数据中的冗余，主成分分析可以适用于提取的主要信息，降低维数和识别模式。主成分分析可以定义一组新的与原始变量关联的变量。这组新的变量可分为两组即占大量占少量总方差的总方差和的主成分，主成分。该占大量总方差的主要部件可以代表与大多数变异，这是建议降序信息[43]的影响下进行相关的脊髓图形发生器的控制信号输出的原始数据。该占少量总方差的主要部件通常被认为以指示系统[42]中的随机噪声。部件的任一组中的数量由主成分的选择标准的影响。作为第几个主成分通常占大部分方差，原始数据可以通过使用第一多个特征向量来近似。许多研究，以揭示潜在的协调结构的变化关节或身体部分之间的关​​联模式用于主成分分析运动学，动力学和肌电图的数据。主成分分析已经应用到复杂的运动的协调，如走路[20,40,44,45,46]，抓任务[47]，跳舞[48]，摔跤[49]，摆动[50]，杂耍〔 51]，呼啦圈[52]和仪器打[53]。这些研究都成功地降低了其中确定的图案的数据的维数。

如何进行主成分分析

在一般情况下，进行主成分分析对人类步行数据，第一步是计算任一协方差或数据集的变量的相关矩阵（例如关节角）。得到的相关性（协方差）矩阵后，主成分分析，可以执行计算:

• (1) 特征向量正交轴的方向,占大多数的数据集方差;
• (2)特征值，每个特征向量的标量分量，这表明总方差的分数占由每个特征向量;
• (3)主成分或因子分数，原始数据和特征向量的点积，代表关联于每个特征向量/特征值的波形;
• (4)加权系数或因子装入，它代表了主成分和原始数据之间的Pearson相关系数，使得原始信号可通过主成分的加权和被重建。

任一个相关矩阵或所有对数据集中的信号之间的协方差矩阵被用来找到每对变量[40,54]之间的关系。相关矩阵由每对信号，这是两个信号之间的线性关系的强度的量度之间的皮尔逊积差相关系数。的协方差矩阵由信号对之间的协方差，并描述与其他信号1的信号变化的方差多少。因为Pearson相关是通过将两个信号的协方差由它们的标准偏差的乘积得到，Pearson相关和协方差是数学上的两个信号之间的关系的密切相关的措施。实际上，它们是如果信号具有单位方差等效措施。

两者的相关性和协方差被用于寻找每对变量之间的关系，但是，这两种方法集中于分析的不同方面。从相关性和协方差的定义中，协方差矩阵赋予更大的权重，以该变化在较大范围内，而使用相关矩阵相当于正常化的信号的振幅，并确保该分析不是由最大

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[286787]，资料为PDF文档或Word文档，PDF文档可免费转换为Word