文 献 综 述
- 研究背景
在医学、机器人与军事等领域步态检测是一个极为热门的研究领域， 步态是指人行走的方式。人体的生理功能、病理力学甚至精神状态的各种变化都会不同程度地影响人体的步态。可以说, 步态从一个侧面反映出了人的健康状况和病态特征。正常的步态具有稳定性、周期性和节律性以及个体差异性。
目前对人体运动模式进行识别所采用的传感器主要有3 类:生物特征传感器、运动特征传感器及视觉传感器。主流的步态特征分析是基于计算机视觉或在装备了复杂测试设备和分析工具的步态实验室完成, 基于计算机视觉的步态特征分析是建立在视频处理、图像处理的基础上的, 易受动态环境中多方面因素影响, 数据处理复杂度高, 而在步态实验室进行的步态特征分析由于设备和场地的限制, 难以普及。
表面肌电图( surfaceelectromyography，sEMG)信号测量设备穿戴复杂且易受干扰，而视觉传感器这种非侵入式不适用于穿戴式设备，在下肢外骨骼系统中均不宜采用。针对运动特性传感器，可以利用三轴磁力计、三轴加速度计及脚底压力传感器测量人体运动数据，识别5种运动模式。也有研究利用轴惯性测量单元(inertial measurement unit，IMU)及气压计，通过滑动窗口提取人体运动信息，识别8种运动模式。
运动模式识别大多采用固定采样窗口长度对传感器信号进行连续采样，未利用人体运动具有准周期特性，从而增加了计算成本与复杂度，当运动模式包括跑步这类步频较高的运动时，需计算频域或时频域特征，不能满足实际需要。
本文希望利用加速度传感器、压力传感器等多传感器方式检测信号，并对其进行处理、特征提取与特征分类等操作，设计一套步态检测系统，能够准确的分析受测者的步态。
国内外研究现状
2019年，张乾勇等人针对日常生活中人体的运动具有准周期特性的特点，设计了一种基于加速度信息与脚底压力的下肢运动信息采集系统[1]。自适应多运动模式关键步态事件监测算法，在关键事件前后计算下肢运动加速度时域特征，经Ｒelief 特征选择后用于训练线性判别分析( linear discriminant analysis，LDA) 分类器，从而对行走(W)，跑步( Ｒ)，上楼梯( SA)，下楼梯(SD)这4 种常见运动模式进行分类识别。
同样的利用加速度传感器进行步态分析的还有刘蓉团队在2009年进行的研究[2]，他们的数据采集装置选用加速度传感器MMA7260采集人行走的三维加速度信号。由于人自然行走的步态加速度信号是准周期的时变信号, 论文重点分析了利用步态加速度的无偏自相关特性提取步态参数如步频、步长、步幅的方法, 以及通过分析、对比人单步(左、右脚步)与步态周期间的相关系数从而进行步态对称性评估的方法。实验表明, 其设计的步态数据采集装置能准确提取步态加速度信号, 对受测者的影响较小，不干扰正常行走。
2007年，张今瑜团队建立了基于多传感器系统的测量模型[3], 并分析了步态相位关系. 采用鞋底传感器与膝关节弯曲传感器的信息融合实现了步态相位识别和COP 的在线检测, 取得了较好的测试效果. 该系统可以识别步行周期的5 个重要状态(支撑、膝关节弯曲、足跟抬起、摆动、足跟着地)和4 个不稳定状态(前倾、后倾、左倾和右倾), 并能够实时检测COP。多传感器融合的思路可供本研究参考，从其试验结果看来，可靠性较高。
此外还有利用核主成分分析（KPCA）方法的吴建宁团队，他们研究了基于核的技术在具有非线性特性的动态步态数据中的应用，用于步态特征的提取和分类[4]。 其基本思想是采用核主成分分析(KPCA)算法提取步态特征，通过预处理启动支持向量机(SVM)训练集，该SVM具有较好的泛化性能，识别步态模式。 分析了24名青年和24名老年参与者的动力学步态数据，采用接收机操作特征(ROC)图评价了步态分类器的泛化性能。 结果表明，该方法可以将参与者的动力学步态数据结构映射到一个具有较高维数的线性可分离空间中，识别步态模式的准确率为90%，具有相当大的临床应用潜力
