基于足底压力分布与肢体运动监测的实时人体疲劳评估新方法

《Science China-Information Sciences》：Human fatigue assessment method based on plantar pressure distribution and limb movement monitoring

本研究针对运动疲劳传统监测方法存在侵入性高、设备笨重、缺乏实时反馈等问题，开发了一种基于智能鞋垫与惯性测量单元（IMU）融合的无创疲劳评估系统。通过多维特征分析和机器学习算法，实现了19种运动状态的精准识别（准确率98.6%）及疲劳分级预警（行走/跑步疲劳模型准确率超98%），为运动员训练监控与康复医学提供了创新技术支撑。

　　

在竞技体育和日常健身中，疲劳如同一把双刃剑：适度的疲劳是训练效果的表现，但过度累积的疲劳却可能引发肌腱炎、应力性骨折等严重运动损伤。传统疲劳评估主要依赖主观问卷或侵入式生理检测，前者受个体感知差异影响大，后者存在设备昂贵、操作复杂、难以动态监测的局限。如何实现无创、实时、精准的疲劳量化评估，一直是运动科学领域的难点。

发表于《Science China Information Sciences》的最新研究突破性地提出了基于多源信息融合的疲劳监测方案。该团队通过智能鞋垫捕捉足底压力分布，结合佩戴于腰部和踝部的惯性测量单元（IMU）同步采集肢体运动数据，构建了一套可动态追踪人体运动状态的无线传感系统。研究中最引人注目的是其对复杂运动场景的解析能力——系统不仅能区分行走、跑步等基本状态，还能识别跳跃、转身等组合动作，最终实现对19种运动状态的分类准确率达98.6%。

关键技术方法包括：1）在鞋垫关键压力点布设8个超薄压阻传感单元（MMPS）形成多通道监测网络；2）通过蓝牙传输实现运动数据实时采集，结合时频域特征提取与主成分分析（PCA）降维；3）采用K近邻（KNN）算法构建行走疲劳二级模型，以前后20秒数据界定非疲劳（NF）与疲劳（F）状态；4）基于支持向量机（SVM）建立跑步四级疲劳模型，融合102维特征向量实现分级预警。

运动状态识别

通过足底压力信号的短时连续性特征分析，系统成功区分单一动作用（如平地行走）与复合动作（如转弯跳跃）。八通道传感网络在经历噪声过滤、特征标准化等预处理后，对混合步态下19种运动状态的总体识别精度达98.6%，为后续疲劳量化奠定基础。

行走疲劳评估

以步行过程中足底压力时域动态特征与频域谱特性为输入，构建双阶段特征空间。实验显示，基于KNN的分类模型对非疲劳与疲劳状态的判别准确率达98.3%，曲线下面积（AUC）值为0.9，仅因个体步态差异产生一例误判。

跑步疲劳评估

通过智能鞋垫-IMU多模态融合，建立四级疲劳模型（F1轻度至F3重度）。采用分级加速方案模拟疲劳演进，结合 Polar 心率带验证分类效果。在400个样本中，混合传感器配置的SVM模型分类准确率达98.8%，显著优于单一传感器方案。

该研究通过多源信息融合与机器学习算法，实现了对人体疲劳程度的无创、动态、量化评估。所提出的分级预警机制不仅能辅助运动员科学调整训练强度，降低运动损伤风险，更在康复医学领域展现出应用潜力。其技术框架的创新性在于将穿戴设备的轻量化设计与多维数据分析深度结合，为未来智能健康监测系统的发展提供了重要范式。