现代社会,我国的老龄化情况发展越来越严重,膝骨性关节炎(Knee Osteo Arthritis,KOA)的发病率呈上升趋势,及早地诊断出潜在病患或确诊对于治疗意义重大。目前常用的KOA诊断手段一般通过影像学和症状学等进行诊断,需要相关的医疗专家通过自身的经验和思维进行判断决策。而步态分析和机器学习方法的引入可使计算机通过学习专家的先验知识更新自身的判断决策系统,辅助相关的医师对患者进行诊断,提高相关工作的效率,降低患者错过最佳治疗时机所带来的风险。具体的研究内容包括以下几个方面:(1)针对目前KOA常用的传统人工方法存在主观影响因素和效率较低的问题,本研究利用Gait Watch进行数据采集和步态分析。通过对来源于广东省第二中医院的650例和智能数字实验室实验测试的137例步态特征样本数据进行统计分析和步态特征相关性分析,对KOA患者和非KOA患者进行步态分析评估,发现两者间在步态特征上存在显著性差异,并证明样本数据集可用于诊断分类器的训练和测试。(2)针对步态分析在KOA辅助诊断的效率不足问题,在数据集通过异常值处理及归一化等数据预处理后,本文将K近邻?逻辑斯蒂回归?朴素贝叶斯及支持向量机等4种机器学习分类方法应用于诊断分类器的训练。基于分类器的分类性能度量(准确率?敏感度?特异度及AUC值)进行对各个诊断分类器进行评估分析,结果发现经参数优化后的高斯径向核支持向量机诊断分类器具有最优的分类性能,但总体分类性能仍有提升空间。(3)为解决上述诊断分类器的分类性能不足问题,本研究利用Adaboost集成学习方法提升各诊断分类器的分类性能,结果发现各诊断分类器经Adaboost集成学习后在分类性能方面都有显著的提升效果,其中分类性能最优的是经Adaboost提升后的高斯径向核支持向量机诊断分类器,并最终获得93.43%的准确率?0.97的敏感度?0.91的特异度及0.9327的AUC值,以上结果均证明基于Adaboost的步态分析及在膝骨性关节炎诊断的应用中具有研究价值和意义。