基于可穿戴传感器与SBLSTM模型的智能踝足假体自适应控制及步态意图识别研究

为解决下肢假体实时适应不同步速和地形坡度的控制难题，研究人员开展了一项融合可穿戴传感器（FSR/IMU）与机器学习算法（SBLSTM/ANFIS/CNN）的步态意图识别研究。通过对比SBLSTM（96.4% F1-score）、ANFIS（RMSE 0.12-0.14）等模型性能，证实多传感器数据融合可显著提升假体系统的响应速度和环境适应性，为智能假肢的临床转化提供新思路。

　　

当前下肢假肢面临的核心挑战在于难以动态适应复杂地形和步速变化。传统机械式假肢依赖固定关节或手动调节，导致运动僵硬且增加用户认知负荷；而现有智能假肢虽整合了肌电（EMG）或压力传感器，但成本高昂且多需双侧肢体数据支持。据统计，全球下肢截肢患者中约75%因行动受限面临生活质量下降，凸显开发低成本、单侧传感的自适应假体系统的迫切性。

针对这一需求，国内研究人员在《Measurement: Sensors》发表了一项创新研究，通过融合力敏电阻（FSR）和惯性测量单元（IMU）数据，结合稀疏双向长短期记忆网络（SBLSTM）等算法，实现了仅需健侧肢体传感信号的步速与坡度精准分类。该研究首次证实SBLSTM模型在单侧传感场景下可达96.3%准确率，且推理时间仅25毫秒，为实时假体控制提供了关键技术突破。

研究团队采用四项关键技术方法：1）定制化3D打印鞋垫集成FSR传感器阵列，以100Hz采样率采集足底压力分布；2）IMU同步记录三轴加速度/角速度数据；3）构建包含4名健康受试者在3种速度（1/3/5 km/h）和3种坡度（0°/5°/10°）下的多模态数据集；4）对比评估SBLSTM、自适应神经模糊推理系统（ANFIS）、卷积神经网络（CNN）等模型的分类性能。

数据预处理
通过连续小波变换（CWT）提取步态周期关键峰，归一化处理后的FSR与加速度数据呈现显著时序相关性（x-z轴相关系数>0.8）。特征分析表明，y轴加速度与步速的聚类区分度最高，为模型训练提供重要依据。

模型性能
SBLSTM凭借双向LSTM层对时序特征的捕捉能力，在9类组合分类中实现96.4%精确度与96.5%召回率，显著优于CNN（60%）和K近邻（KNN，93%）。ANFIS虽在坡度预测中表现尚可（RMSE 0.14），但其固定架构对个体差异适应性不足。值得注意的是，融合FSR与IMU数据的模型训练收敛速度较单一传感器提升40%，验证多模态融合的优势。

实时性验证
关键指标测试显示，SBLSTM平均推理时间25毫秒，满足假体控制延迟<50毫秒的临床要求。5折交叉验证中，S3受试者在5 km/h-10°条件下的分类指标均达1.00，证实模型对极端工况的鲁棒性。

这项研究开创性地证明了单侧肢体传感数据驱动假体控制的可行性，其技术路线具有三大临床价值：1）通过低成本传感器（FSR单价<5美元）降低智能假肢门槛；2）SBLSTM对时序数据的处理能力可扩展至其他动态康复设备；3）为截肢患者提供更自然的步态体验。未来需在 amputee 人群中验证模型对步态不对称的适应性，并探索应变传感器等新型传感技术的集成应用。

研究结论强调，基于可穿戴传感的意图识别系统将推动假肢从"被动响应"向"主动预测"范式转变。正如作者Vidyapati Kumar所述，该成果不仅解决了现有假体在复杂地形下的控制瓶颈，更为开发下一代个性化康复设备奠定了算法基础。随着传感器微型化与边缘计算技术的发展，这项研究有望在5年内实现临床转化，惠及全球数百万下肢功能障碍患者。