基于深度学习与柔性踝足外骨骼IMU数据的脑瘫儿童步态相位识别

本综述系统阐述了基于柔性踝足外骨骼（FAEXO）集成惯性测量单元（IMU）与足底压力传感系统，结合堆栈去噪自编码器（SDA）与长短期记忆网络（LSTM）的融合深度学习框架（SDA-LSTM），在脑瘫（CP）儿童自然行走环境中实现高精度（97.83%）、强鲁棒性（SNR=10dB时仍达90.96%准确率）的四步态相位（HS/FC/HO/SW）识别，为CP康复评估与外骨骼辅助系统提供了创新性解决方案。

　　

1 引言

脑瘫（Cerebral Palsy, CP）作为儿童期最常见的运动功能障碍性疾病，其典型步态异常表现为站立相延长、摆动相缩短及关节活动幅度减小。传统光学运动捕捉系统因成本高、空间受限难以实现社区环境长期监测。近年来，可穿戴惯性测量单元（IMU）凭借其微型化、低成本及高集成度特性，为CP步态分析提供了新途径。然而，CP患儿运动控制缺陷导致的高幅非平稳噪声及个体间异质性，严重制约传统机器学习模型的泛化能力。本研究提出融合堆栈去噪自编码器（Stacked Denoising Autoencoder, SDA）与长短期记忆网络（Long Short-Term Memory, LSTM）的SDA-LSTM框架，旨在解决CP步态相位识别中的噪声鲁棒性与跨用户一致性挑战。

2 材料与方法

2.1 外骨骼平台

研究采用由Ulon Robotics设计的柔性踝足外骨骼（Flexible Ankle Exoskeleton, FAEXO），其结构包含动力背包、柔性传动系统及踝关节模块。动力背包集成微型无刷电机、高精度MCU控制器及可拆卸锂电池，通过航空级不锈钢缆绳（直径2.0mm）传递辅助力矩。IMU传感器置于跟骨后方，以100Hz采样率采集三轴加速度与角速度数据。

2.2 数据采集与预处理

招募6名轻度脑瘫儿童，在开放社区环境中以自选速度行走。同步采集双侧踝部IMU数据（100Hz）及右足跟与第一跖骨头足底压力信号（50Hz）。IMU数据经六阶巴特沃斯低通滤波（截止频率100Hz），足底压力信号二值化后用于标识四个关键步态事件：足跟触地（Heel Strike, HS）、全足接触（Full Contact, FC）、足跟离地（Heel Off, HO）及足尖离地（Toe Off, TO）。

2.3 步态相位划分

依据足底压力事件将步态周期划分为四个相位：HS（足跟触地至足尖触地）、FC（足尖触地至足跟离地）、HO（足跟离地至足尖离地）及摆动相（Swing Phase, SW）。完整步态周期从HS开始至下一次HS结束。

3 模型与评估

3.1 网络架构

SDA-LSTM模型包含特征提取与分类两个模块：

• •

  特征提取模块：采用SDA结构，包含输入层（12维）、第一扩展层（40维）、瓶颈层（8维）、第二扩展层（40维）及输出层（12维）。编码器路径通过全连接层与Dropout（比率0.2）将原始数据压缩为8维潜在表示，解码器路径进行重构。

• •

  分类模块：采用两层LSTM（每层50单元），接收SDA输出的12维特征序列，通过全连接层映射至四分类输出（HS/FC/HO/SW）。

3.2 模型训练

使用五折交叉验证对5名患儿数据训练，超参数通过平均训练损失与验证损失优化。采用Adam优化器（学习率5×10^?5），损失函数为分类交叉熵。未见数据（1名患儿）用于外部验证。

3.3 基准模型

对比支持向量机（SVM）、随机森林（RF）及独立LSTM模型，以全面评估SDA-LSTM性能。

3.4 模型评估

以整体准确率（OA）及相位特异性准确率为核心指标，通过混淆矩阵可视化性能。

4 结果

4.1 跨用户条件识别准确率

SDA-LSTM在四相位分类中整体准确率达97.83%，显著高于SVM（94.68%）、RF（96.05%）及LSTM（95.86%）。混淆矩阵显示，HS、FC、HO、SW相位识别准确率分别为96.82%、98.55%、98.85%及96.60%，相位过渡区误分类率均低于3.5%。

4.2 模型鲁棒性分析

在添加高斯白噪声（AWGN）条件下，SDA-LSTM在SNR=5dB至30dB范围内保持稳定性能：SNR=5dB时准确率85.98%，SNR=10dB时90.96%，SNR≥15dB时超过94%。HO相位因依赖膝关节屈曲角度等细微特征，在低SNR（5dB）下准确率降至81.37%，为主要噪声敏感相位。

5 讨论

5.1 跨用户泛化能力

SDA-LSTM通过分层记忆单元强化长程依赖学习，有效捕捉CP步态中的非线性时空动态（如痉挛型站立相延长、手足徐动型轨迹震颤），显著提升相位过渡点鲁棒性。

5.2 噪声鲁棒性

SDA模块的Dropout机制（p=0.2）主动模拟病理生理性信号扰动，使模型在SNR=10dB时仅较基线下降6.87%，证实其对临床环境中高噪声的适应性。

5.3 未来工作

下一步将聚焦多模态传感融合（IMU与足底压力），并在真实场景中外骨骼实时验证，以推动CP步态量化与主动干预的临床转化。

6 结论

SDA-LSTM框架通过融合多模态传感与深度学习技术，实现了脑瘫儿童自然步态下的高精度、强鲁棒相位识别，为临床康复评估与外骨骼辅助系统提供了可靠算法基础。