基于单部智能手机的自动化坐立测试分析：周期指标与起身策略检测

《Annals of Biomedical Engineering》：Cycle Metrics and Strategy Detection for Automated Chair Sit-to-Stand Test Analysis Employing a Single Smartphone

为解决传统30秒坐立测试（30s CST）评分方法不一致、无法捕捉代偿性运动策略变化的问题，研究人员开展了一项利用单部智能手机进行自动化坐立测试分析的研究。该研究通过结合振幅自适应阈值和优势频率区间进行周期检测，并利用躯干俯仰角动力学对起身策略进行分类。结果显示，该算法周期检测准确率达99%，策略分类宏F1分数达0.94，成功揭示了不同策略间的运动特征差异，为临床提供了更丰富的行动能力表征。

　　

在康复医学和老年健康领域，评估一个人的行动能力是判断其独立生活能力和生活质量的关键。其中，30秒坐立测试（30s CST）因其简单易行、无需复杂设备，被广泛用于评估下肢力量、姿势控制能力，并作为预测跌倒风险、衰弱和功能衰退的重要指标。然而，传统的测试方法主要依赖秒表计时和肉眼观察，存在评分者间差异大、无法捕捉每次起身动作的细节动态等局限。更重要的是，它无法区分受试者起身时采用的“策略”，而这些策略恰恰是反映神经肌肉控制能力和代偿机制的重要线索。

为了解决这些问题，来自诺丁汉特伦特大学和阿伯里斯特威斯大学的研究团队开发了一套基于单部智能手机的自动化分析系统。该系统不仅能精确计算坐立次数和周期时间，还能自动识别受试者采用的起身策略。这项研究成果于2025年12月在线发表于生物医学工程领域的权威期刊《Annals of Biomedical Engineering》。

为了开展这项研究，研究人员招募了35名受试者，包括10名年轻人、20名老年人和5名帕金森病患者。所有受试者在佩戴一部固定在腰部的智能手机（Google Pixel 6a）的情况下，完成标准的30秒坐立测试。手机以400 Hz的频率记录三轴加速度计和陀螺仪数据，同时使用同步视频作为地面真实值（Ground Truth）进行验证。研究团队开发了一套算法流程，首先对原始信号进行预处理（6 Hz低通滤波），然后利用加速度幅值（a_mag(t)）结合自适应振幅阈值和基于优势频率（Dominant Frequency, DF）的时间阈值来精确检测每个坐立周期。最后，通过计算每个周期内躯干俯仰角的变化（Δθ_i）并结合周期时长，对起身策略进行分类，主要分为利用动量的动量转移（Momentum Transfer, MT）策略和以躯干前屈为主的屈曲（Flexion）策略。

平均CST周期时间

研究结果显示，屈曲策略的周期时间显著长于动量转移策略。在帕金森病患者中，屈曲策略平均耗时2.81秒，而动量转移策略为1.85秒；在老年组中，分别为2.63秒和1.45秒；在年轻组中，分别为1.79秒和1.06秒。这表明屈曲策略在每个组别中都比动量转移策略慢52%至81%。

灵敏度分析

灵敏度分析验证了算法关键组件的必要性。移除优势频率（DF）保护后，检测准确率从99%降至78%，周期时间平均绝对误差（MAE）从24毫秒增至112毫秒。移除躯干俯仰角（θ）特征后，策略分类的宏F1分数从0.94降至0.77。移除两者后，性能下降最为严重，准确率降至71%，宏F1分数降至0.61。这证实了结合频率域约束和角运动学对于算法鲁棒性的重要性。

一致性和可靠性

主要验证结果显示，智能手机与视频评分之间具有近乎完美的一致性。参与者层面的Bland-Altman分析显示，平均偏差（Bias）仅为-0.012秒，组内相关系数（ICC(2,1)）高达0.998，表明该方法具有极高的可靠性。

策略转换示例

研究还展示了受试者在单次测试中切换策略的案例，这突显了周期级分析相较于全局评分的优势，能够捕捉到更细微的运动模式变化。

该研究成功开发并验证了一个基于单部智能手机的自动化坐立测试分析框架。该框架通过结合振幅自适应阈值、优势频率区间和陀螺仪导出的躯干俯仰角，实现了高精度的周期检测（准确率≈99%）和起身策略分类（宏F1分数=0.94）。研究证实，屈曲策略的周期时间显著长于动量转移策略，且策略分布因年龄和帕金森病状态而异，反映了潜在的生物力学需求。该研究的主要优势在于其端到端的自动化、高可靠性以及与视频地面真实值的强一致性。然而，该研究也存在样本量有限、未在真实家庭环境中验证等局限性。未来研究将扩展验证至更广泛的人群和真实世界环境，并探索利用周期级特征预测临床结局（如跌倒风险）的潜力。