基于足底压力信号的步态亚相识别工具箱开发及其在股骨近端骨折患者步态分析中的应用研究

本研究针对真实生活场景中步态亚相动态识别的技术空白，开发了开源MATLAB工具箱PIN2GPI（Pressure INsoles to Gait Phase Identification），通过足底压力信号实现了非实验室环境下步态亚相（Heel contact/Flat-foot contact/Push-off/Swing）的自动检测。研究人员应用该工具对股骨近端骨折（PFF）患者和健康老年人（HA）的2.5小时自由活动数据进行分析，发现PFF患者存在步态周期减少（1059±201 vs 2076±246）、非典型步态比例升高（8.8±4.1%/min vs 0.8±0.1%/min）及下肢间不对称性增加（Flat-foot contact不对称性6.9±1.2%GC vs 2.5±0.4%GC）等特征。该研究为跌倒高风险人群的步态质量评估提供了新的数字化生物标志物。

　　

行走是人类最基本的运动能力，但看似简单的迈步动作背后隐藏着复杂的生物力学机制。当老年人遭遇股骨近端骨折（Proximal Femur Fracture, PFF）后，其步态模式往往会发生显著改变，这种改变不仅影响康复效果，更与跌倒风险密切相关。传统步态分析依赖实验室环境下的运动捕捉系统，难以捕捉真实生活场景中的动态变化。更关键的是，现有技术多聚焦于步态周期整体参数，缺乏对关键亚相（如足跟接触期Heel contact、全足接触期Flat-foot contact等）的精细解析，而这些亚相的异常恰恰是运动功能障碍的早期信号。

针对这一技术瓶颈，意大利都灵理工大学（Politecnico di Torino）生物医学工程实验室的研究团队开发了名为PIN2GPI的开源分析工具箱。该工具通过处理16通道足底压力鞋垫（Pressure Insoles, PIs）信号，首次实现了非实验室环境下步态亚相的自动识别与分类。相关研究成果发表在《Journal of NeuroEngineering and Rehabilitation》，为老年跌倒预防和康复监测提供了创新性解决方案。

研究团队采用阈值检测算法构建技术框架：首先将足底压力传感器按解剖区域聚类（足跟、第五跖骨头和第一跖骨头），通过求导识别各区域激活窗口；继而根据压力变化特征划分H-F-P-S四相步态周期；最终引入改进的Agostini算法进行周期合并与异常过滤。验证数据来自Mobilise-D联盟公开数据集，包含14名PFF患者和18名健康老年人（HA）约2.5小时的真实生活行走数据。

步态参数对比揭示临床差异

通过分析步行片段（Walking Bouts）内的步态周期，研究发现PFF患者表现出全方位功能退化：总步态周期数仅为HA组的51%（1059±201 vs 2076±246），步行时间占比下降39%（9.1±1.7% vs 15.0±1.9%），步频降低14%（39.2±2.0 vs 45.7±1.2 cycles/min）。这些参数印证了PFF患者普遍存在的"运动恐惧症"现象。

非典型步态周期（AGC）的警示价值

研究首次量化了真实场景中非标准步态序列的发生率。PFF患者"患侧"AGC%_norm值高达健康组的11倍（8.8±4.1%/min vs 0.8±0.1%/min），其中PFPS（缺失足跟接触的推离-全足-推离-摆动序列）占比突出。这种前足着地模式提示髋关节屈曲或踝背屈功能受损，是已知的跌倒高风险因素。

亚相不对称性的临床意义

在标准HFPS周期中，PFF患者表现出显著的左右不对称性：全足接触期差异达6.9±1.2%GC（HA仅2.5±0.4%GC），摆动期差异达6.5±1.6%GC（HA仅1.6±0.3%GC）。这种不对称性可能源于疼痛代偿或神经肌肉控制障碍，研究建议将其作为术后并发症（如股神经麻痹、假体松动）的早期监测指标。

这项研究的突破性价值在于将实验室级的步态分析技术延伸至真实生活场景。通过开源PIN2GPI工具箱，临床工作者可便捷获取传统仪器无法捕捉的亚相参数，如Flat-foot contact不对称性（效应量g=1.3）等敏感指标。对于PFF术后可能发生的股骨头坏死（发生率约5-10%）等迟发性并发症，该方法有望通过长期步态监测实现早期预警。未来研究可进一步探索这些数字生物标志物（digital gait biomarkers）与特定病理改变的对应关系，为个性化康复提供量化依据。