基于惯性测量单元(IMU)和深度学习的异常步态分割方法研究及其在生物医学工程中的应用

本研究针对传统步态分割方法仅适用于正常步态的局限性，提出了一种融合CNN、BiLSTM和Transformer的GaitSeg Net模型，通过定义"移动-停止"二元分类框架，实现了对拖曳步态、划圈步态和小碎步等异常步态的精准分割，在新型IMU数据集上达到98.16%的F1-score，为临床步态分析和康复评估提供了普适性解决方案。

　　

步态分析在医疗诊断和康复评估中具有重要价值，但现有基于惯性测量单元(IMU)的步态分割方法主要针对正常行走模式，难以应对病理性的拖曳步态、划圈步态和小碎步等异常模式。这些局限性严重制约了IMU技术在临床环境中的应用广度。针对这一挑战，东京工业大学的研究团队在《Engineering Applications of Artificial Intelligence》发表了一项创新研究，提出了一种普适性的深度学习框架，成功将步态分割扩展至异常模式。

研究团队首先重新定义了步态分割标准，采用"移动-停止"的二元分类替代传统的四相位划分，解决了异常步态中相位缺失或顺序混乱的问题。为验证方法有效性，研究人员构建了包含16名受试者（8名健康者和8名模拟异常步态的伪受试者）的新型数据集，采集了行走、跑步、跳跃等7种正常动作以及3种典型异常步态（拖曳步、划圈步、小碎步）的IMU数据。通过AMWS020无线IMU传感器（采样率100Hz）和足底压力传感器同步记录运动信息，采用扩展卡尔曼滤波(EKF)算法处理原始数据噪声，最终开发出融合宽核CNN、BiLSTM和Transformer的GaitSeg Net模型。该模型创新性地在Transformer前馈部分采用卷积层(Conv1D)替代全连接层，有效聚焦局部时序特征。

研究结果显示，GaitSeg Net在交叉验证中表现出色：整体F1-score达98.16%，较前人研究提升显著。对正常步态的平均准确率达97.5%（行走98.5%，跑步96.5%），对三种异常步态的准确率保持在96.1-97.6%的高水平。特别在最具挑战性的"未见受试者异常步态"测试中，模型对拖曳步、划圈步和小碎步的全足状态识别准确率分别达到96.6%、97.6%和96.1%。时间误差分析显示，正常行走的相位转换检测平均误差仅1.44帧（14.4ms）。消融实验证实，采用21尺寸的宽核CNN可使噪声抑制效果最佳，而Conv1D层的引入使F1-score提升0.03-0.05个百分点。

这项研究的突破性在于首次建立了涵盖正常和异常步态的通用分割框架。通过创新的"移动-停止"定义，解决了传统方法无法处理拖曳步态持续接地、小碎步态足跟足尖同步着地等临床难题。在技术层面，多模态深度学习架构有效融合了CNN的局部特征提取能力、BiLSTM的双向时序建模优势以及Transformer的长程依赖捕捉特性。相比光学动作捕捉系统和测力台，该IMU方案具有成本低、便携性强、适用场景广等临床优势，为帕金森病、偏瘫等患者的康复评估提供了新工具。

研究也存在一定局限：伪受试者模拟的异常步态与真实患者存在差异；仅针对三种典型异常模式进行分析；磁力计易受环境干扰影响定位精度。未来工作将采集真实患者数据，并探索IMU信号与足底压力分布的关联性。该成果不仅推动了人工智能在生物医学工程中的应用，也为智能假肢控制、外骨骼机器人等康复设备开发奠定了技术基础。