编辑推荐：
为解决健康人群足底压力分布多样性研究不足及数据冗余问题，研究人员开展基于多种融合算法的足底压力分类和特征提取研究。结果将健康人步行时足底压力分为 3 类，确定 4 个关键指标。该研究为足部功能研究和运动损伤分析提供依据。
在日常生活中，走路是人们最常见的活动之一，而脚作为与地面直接接触的器官，在行走过程中会产生足底压力。足底压力的分布情况不仅能反映足部的功能状态，还与多种足部疾病以及运动损伤密切相关。然而，目前在足底压力研究方面存在一些问题。以往对异常足型和足部疾病的研究，大多基于所有正常足型足底压力分布相似这一假设，将正常人群归为单一对照组。但实际上，健康人群中足型和姿势复杂多样，个体间足部结构和形态差异大，导致足底压力分布存在多样性。而且足底压力数据存在冗余，需要提取关键数据来保证步态分析的准确性和实用性。同时，现有研究对足部在日常活动中的功能探索有限。为了深入了解健康人群步行时足底压力分布的多样性，清华大学、北京体育大学、河北师范大学等机构的研究人员开展了相关研究。研究成果发表在《Scientific Reports》上，为后续研究奠定了重要基础。
研究人员采用了多种关键技术方法。首先，招募了 292 名符合条件的年轻男性参与者，收集他们在步行过程中的足底压力数据，这是研究的样本来源。接着，运用主成分分析（PCA）对收集到的 20 个足底压力参数进行降维处理，去除数据冗余。然后，利用 K-means++ 聚类算法结合轮廓系数和肘部法确定最佳聚类数。最后，通过相关系数筛选和 Fisher 准则进行特征选择，并运用线性判别分析（LDA）构建分类判别函数。
研究结果如下：
- 主成分提取结果：对 20 个足底压力参数进行 KMO 和 Bartlett 球形检验，结果表明这些参数适合进行主成分提取。最终提取出 6 个主成分，其累计方差贡献率达到 81.00%，为后续分析保留了主要信息。
- 足底压力聚类结果：运用优化聚类算法，结合轮廓系数和肘部法，确定最佳聚类数为 3。这表明健康人步行时足底压力特征可分为 3 类。
- 特征选择结果：通过结合相关系数和 Fisher 准则，从原始参数中筛选出 7 个具有较强分类性能且相对独立的指标，包括 Toe 1 Impulse、Meta 1 Impulse 等。
- 线性判别函数结果：对 7 个指标进行逐步线性判别分析，最终保留 4 个指标，即 Toe 1 impulse、Meta 1 impulse、Meta 5 impulse 和 Midfoot impulse。构建的线性判别函数对原始数据的分类平均准确率达到 89.70%，交叉验证后的平均准确率为 88.5%，说明分类效果良好。
- 足底压力分类特征：根据各类指标特征，将 3 种足底压力类型分别命名为 “Thumb Extension Type”“Midfoot-Lateral Forefoot Push-off Type” 和 “Normal Type”。其中，“Thumb Extension Type” 在行走时主要由拇指和第一跖骨承重；“Midfoot-Lateral Forefoot Push-off Type” 在足中部和第五跖骨区域的冲量较大；“Normal Type” 则无明显特征。
研究结论表明，健康人步行时的足底压力可分为上述 3 种类型，其中第一跖趾关节、第五跖骨和足中部区域的冲量在分类中表现良好。该研究具有重要意义，通过多种融合算法对足底压力进行分类和特征提取，为研究足底压力分布特征和动态足部功能分析提供了方法支持和理论参考。同时，研究人员建议后续研究可扩大样本量，结合不同足部状况和下肢损伤情况进行前瞻性研究，进一步探索不同步态特征与运动损伤之间的关系，为预防运动损伤和改善足部健康提供更有力的依据。
