基于垂直地面反作用力混合特征的生活活动姿态分类研究

《Scientific Reports》：Classifying activities of daily living based on hybrid features from vertical ground reaction force data

本研究针对传统人体姿态识别方法依赖可穿戴传感器或视频图像的局限性，创新性地利用力平台采集的一维垂直地面反作用力（VGRF）和压力中心（COP）数据，结合机器学习技术，对四种日常生活活动（ADL）下肢姿态进行高精度分类。研究通过提取统计、非线性时间序列和COP等22项特征，采用人工神经网络（ANN）模型，最终实现了98.0%的分类准确率，为无接触式姿态监测和肌肉骨骼疾病评估提供了新方案。

　　

在日常生活中，保持正确的身体姿态对于平衡能力、活动自由度乃至整体生活质量都至关重要。然而，传统的姿态监测方法，如基于视频图像分析或需要佩戴惯性测量单元（IMU）等可穿戴传感器，存在设备复杂、可能影响使用者自然活动、受环境光线条件限制以及隐私顾虑等问题。特别是在康复医疗、工业作业现场评估或智能家居健康监测等场景下，一种能够无接触、高精度且稳定地识别和分类人体姿态的技术方案具有迫切需求。

为此，一项发表在《Scientific Reports》上的研究提出了一种新颖的解决方案。研究人员将目光投向了力平台这一在生物力学领域广泛使用的工具。力平台能够精确测量人站立时足底与地面之间的相互作用力，即地面反作用力（GRF），特别是其垂直分量（VGRF），以及反映人体摇摆情况的压力中心（COP）轨迹。这些一维（1D）数据蕴含了丰富的姿态信息，且采集过程无需在身体上附着任何传感器，避免了传统方法的诸多不便。

该研究旨在探索仅利用从力平台获取的VGRF和COP数据，结合机器学习算法，来区分四种常见的静态下肢姿态：双足站立（DS）、单足站立（SS）、提踵站立（TS）和蹲姿。研究团队提出了三个核心假设：首先，基于力平台的一维数据方法能否提供可与视频或IMU传感器相媲美甚至更优的可靠姿态分类？其次，结合统计特征和COP特征的混合特征是否会提升模型区分不同姿态的性能？最后，人工神经网络（ANN）模型在处理像VGRF和COP组合这样的高维数据时，是否会优于其他机器学习模型？

为了验证这些假设，研究人员招募了25名健康年轻参与者（17名男性，8名女性），在实验室环境下使用SENSIX力平台采集数据。每位参与者以随机顺序完成四种姿态（DS, SS, TS, 蹲姿），每种姿态保持15秒，并重复两次。采集到的原始VGRF和COP数据经过预处理（剔除前1秒数据以消除初始不稳定期，并使用截止频率为20 Hz的低通巴特沃夫滤波器去噪）后，被分割成非重叠的2秒时间窗口进行分析。从每个窗口的VGRF (F_z) 和COP (C_x, C_y) 信号中，共提取了22个特征，包括5个统计特征（均值、标准差、方差、峰度、偏度）、6个非线性时间序列（NLTS）特征（模糊熵、近似熵、样本熵、Higuchi分形维数、Katz分形维数、Lyapunov指数）以及11个COP衍生特征（如前后向摇摆、内外侧摇摆、均方根距离、总摇摆路径、平均速度等）。

研究采用了多种机器学习模型进行比较，包括逻辑回归（LR）、人工神经网络（ANN）、决策树（DT）、支持向量机（SVM）、朴素贝叶斯（NB）、集成学习（EN）和K近邻（K-NN）。模型性能通过留出验证法（75%训练，25%测试）进行评估。此外，还探讨了不同特征组合（如统计特征+NLTS特征、NLTS特征+COP特征、统计特征+COP特征）对分类性能的影响，并应用方差分析（ANOVA）进行特征选择，以确定对分类贡献最大的特征子集。

主要技术方法概述

本研究利用SENSIX力平台采集25名健康参与者执行四种静态下肢姿态（双足站、单足站、提踵站、蹲姿）时的垂直地面反作用力（VGRF）和压力中心（COP）数据。对采集的1D信号进行预处理（滤波、分段）后，提取统计、非线性时间序列和COP轨迹三类共22个特征。采用多种机器学习模型（如ANN, SVM, K-NN等）进行姿态分类，并通过特征选择和模型比较优化性能。

研究结果

不同特征集下的模型性能

初步结果表明，COP特征对于姿态分类最为有效。当单独使用不同类型的特征时，ANN模型利用统计特征、NLTS特征和COP特征取得的分类准确率分别为51.2%, 76.4% 和 93%。而K-NN和EN模型在使用COP特征时也表现出色，准确率分别达到94%和93.5%。然而，ANN模型在统计和NLTS特征上的表现优于K-NN和EN，显示出其更好的泛化能力。受试者工作特征曲线（AUC）分析进一步证实，COP特征对四种姿态都具有极佳的区分能力（AUC值均大于0.95），而统计特征的区分能力相对较弱。

混合特征组合的效果

为了提升性能，研究人员尝试了不同的混合特征组合。结果显示，结合NLTS特征和COP特征时，ANN模型的准确率达到92.0%。而结合统计特征和COP特征时，集成学习（EN）模型表现最佳，准确率为95.6%。这验证了假设H2，即混合特征能够改善模型性能。

最佳特征选择提升性能

通过方差分析（ANOVA）进行特征选择，从全部22个特征中筛选出17个重要性最高的特征（包括偏度、几种熵、分形维数以及全部COP相关特征）。使用这组最佳特征后，所有模型的分类性能普遍得到提升。其中，ANN模型的准确率从使用全部特征时的89.2%显著提高至98.0%。K-NN模型的准确率也从76.0%提升至89.2%。混淆矩阵显示，经过特征选择后，ANN模型对所有姿态的分类错误率都大幅降低，特别是对蹲姿和提踵站的识别得到了极大改善。这表明特征选择有效去除了冗余信息，突出了关键判别特征。

ANN模型综合性能评估

对ANN模型在不同特征组合下的性能进行全面评估（包括精确度、召回率、特异性、F1分数等）发现，采用最佳特征选择方法的ANN模型在所有指标上均表现最优，其精确度、召回率、特异性和F1分数均达到0.98或更高，准确率高达98.0%。这强有力地支持了假设H3，即ANN在处理此类高维、非线性数据方面具有显著优势。

结论与意义

本研究成功验证了所有初始假设。首先，研究证实了基于力平台一维VGRF和COP数据的方法能够实现高精度的下肢姿态分类（最高98.0%准确率），其性能优于或可与许多基于视频或IMU的传统方法相媲美，为无需佩戴传感器的人体活动识别（HAR）提供了一种可靠且实用的替代方案。其次，研究发现结合COP特征与统计或非线性特征能有效提升分类性能，尤其是COP特征在区分不同姿态方面发挥了关键作用。最后，人工神经网络（ANN）凭借其处理非线性关系和复杂特征交互的能力，被证明是处理此类生物力学数据的最有效分类器。

该研究的创新之处在于摒弃了复杂的图像处理或可穿戴传感器，仅通过分析站立在力平台上产生的“脚印”数据——即VGRF和COP轨迹——来解读人体姿态。这种方法不仅设备要求相对简单，而且避免了隐私泄露和传感器佩戴不适等问题，更易于在临床康复、工作场所人体工效学评估、老年人跌倒风险监测等领域实现实时、无扰的应用。尽管研究存在一些局限性，如样本量相对较小、初始数据稳定期的处理可能不够充分等，但结果为未来开发更高效、更便捷的姿态监测系统奠定了坚实的基础。通过进一步扩大样本量、优化特征工程和模型参数，这项技术有望在预防肌肉骨骼疾病、评估平衡功能、以及提升智能化健康管理水平方面发挥重要作用。