基于随机数据驱动模型的行人行走垂直地面反力生成方法研究

研究人员针对行人行走过程中垂直地面反力(GRF)的非确定性特征，开发了一种基于时间域的随机数据驱动模型。该模型通过实验测量步态数据，分别对左右脚GRF进行统计分析，构建均值向量和协方差矩阵，并引入步长缩放和双支撑相参数，成功生成了高度逼真的虚拟步态力。这一方法避免了传统傅里叶分解的局限性，为生物力学、结构工程等领域提供了更精确的人体荷载模拟工具。

　　

行人行走时对地面施加的力是理解人体运动机制和结构安全评估的关键参数。然而，由于步态固有的随机性和个体差异，精确建模这些力一直是个挑战。传统方法往往采用傅里叶分解或确定性模型，难以捕捉步态的自然变异性。特别是在结构工程领域，低估这些力的变异性可能导致桥梁、人行道等结构的安全隐患。

针对这些问题，来自中国的研究团队在《Journal of Computational Science》发表了一项创新研究。他们开发了一种全新的时间域随机数据驱动模型，专门用于表征行人行走时的垂直地面反力(GRF)。这项研究不仅解决了传统方法的局限性，还为生物力学和结构工程领域提供了更精确的力预测工具。

研究团队采用了几个关键技术方法：使用Loadsol?仪器鞋垫以100Hz采样率采集垂直GRF数据；开发自动步态检测算法识别单步起始和终止点；采用多元正态分布对左右脚GRF分别建模；通过协方差矩阵保留步态特征的空间相关性；引入双支撑相时间(t_LR
和t_RL
)的随机模型来准确模拟合力峰值。

研究结果部分展示了多项重要发现：

步态特征提取：通过四样本窗口检测算法成功识别了560个有效步态周期，准确捕捉了脚跟触地(P₁
)和脚尖离地(P₃
)等关键特征点。

随机建模验证：Shapiro-Wilk检验证实步态持续时间(δ^*
)、缩放因子(λ)和双支撑相时间(t_LR
/t_RL
)等参数基本符合正态分布假设(p>0.05)。

多步速适应性：模型在110-140步/分钟的四种步速下均表现良好，虚拟GRF与实验数据的频率成分误差小于2%。

左右脚差异性：协方差矩阵分析(S_L
和S_R
)显示左右脚GRF存在显著差异，验证了分别建模的必要性。

虚拟力生成：通过N=50的重新采样策略，在控制模型复杂度(T_P
=2658)的同时，成功生成了具有自然变异性的虚拟步态。

这项研究的结论部分强调了几个关键突破：首先，该方法首次实现了无需傅里叶分解的GRF随机建模，保留了步态的自然随机性；其次，左右脚分别建模的策略更符合实际生物力学特征；最后，双支撑相时间的精确建模确保了合力峰值的真实性。

讨论部分指出，虽然仪器鞋垫的精度可能略低于实验室测力台，但其在自然行走环境中的优势不可替代。研究团队也承认，模型参数如N=50的选择可能需要进一步优化，但当前结果已显示出良好的工程适用性。这项成果不仅为结构振动分析提供了更真实的人体荷载输入，也为步态异常诊断、运动生物力学研究开辟了新途径。未来工作可望将该方法扩展到跑步、跳跃等其他运动模式，并探索其在人-结构相互作用研究中的应用潜力。