真实世界步速分布特征及其与步行回合长度的关联：基于步态受损与非受损人群的多队列分析

《Journal of Biomechanics》：The distribution of real-world gait speed and its relation to gait bout length in people with and without gait impairment

　　

摘要 真实世界步行被认为包含两种不同的构念：较慢的步行集中在短步行回合中，而较快的步行则出现在较长步行回合中。本研究评估了在步态受损与非受损人群中，是否存在反映上述构念的步态速度双峰分布。 研究人员分析了来自四个队列的远程步行数据：健康成年人（n=16）、慢性卒中患者（chronic stroke，n=20）、终末期膝骨关节炎（knee osteoarthritis，KOA）患者（n=21）以及不完全性脊髓损伤（incomplete spinal cord injury，iSCI）患者（n=16）。参与者在双脚及下背部各佩戴一个传感器，持续三天。研究人员采用高斯混合模型（Gaussian mixture modeling，GMM）对每位受试者所有记录的步幅进行步速分布特征刻画。双峰性通过Ashman's D进行量化，D>2表示各组分分离良好。对于D>2的参与者，研究人员比较了较慢与较快组分之间的步行回合长度。 在73名参与者中，有12名（16%）呈现分离良好的组分，且步态受损与非受损人群之间无明显差异。总体而言，随着步行回合长度的增加，平均步速升高而变异性降低。在具有双峰分布（D>2）的参与者中，不同组分间的步行回合长度无显著差异（慢速组分：11 [四分位距：7.5，31.8] 步 vs. 快速组分：34.5 [四分位距：20.8，122] 步；p=0.056）。 真实世界步速分布通常不呈双峰分布，且步行回合长度无法解释双峰性的存在。综上，本研究结果不支持步速分布的独立组分反映短步行回合与长步行回合的观点。

真实世界步速分布特征及其与步行回合长度的关系：对步态受损与非受损人群的多队列研究解读

一、研究背景与目的

步速作为身体健康的重要生物标志物，在临床评估中与死亡率、住院风险、功能衰退及生活质量密切相关。随着可穿戴惯性传感器（inertial measurement units，IMUs）技术的发展，研究者能够在日常生活中连续监测步态，获取具有高生态效度的真实世界步行数据。然而，真实世界步行数据涵盖多种模式和情境，产生的步速范围广泛，使得如何最优地聚合数据并推导汇总指标成为一个挑战。

既往研究提示，真实世界步速可能呈现偏态甚至双峰分布模式。有学者提出，这种双峰分布可能源于两种不同的步行行为：一个代表室内短步行回合中的较慢步行，另一个代表室外长步行回合中的较快步行。然而，尚无研究直接验证步行回合长度与步速分布形态之间的关联。此外，步态受损人群不仅步行速度较慢，其步行活动量及短长步行回合的比例也与健康人群存在差异，这些因素均可能影响步速分布形态。因此，理解步态受损对步速分布的影响，对于选择恰当的真实世界步态数据分析方法至关重要。

基于此，本研究旨在评估：1）步态受损与非受损人群的步速分布是否呈双峰；2）真实世界步速及其变异性与步行回合长度的关系；3）若存在独立的步速组分，其是否与步行回合长度的差异相关。研究人员预期在大多数参与者中发现反映短回合慢速步行与长回合快速步行的双峰步速分布。

二、研究方法概述

本研究整合了四个采用完全相同测量设置的真实世界步态数据集：健康成年人（n=16）、慢性卒中患者（PwCS，n=20）、终末期膝骨关节炎患者（KOA，n=21）及不完全性脊髓损伤患者（iSCI，n=16）。所有参与者均佩戴三台Physilog 6S惯性传感器（Gait Up，瑞士洛桑），分别置于双脚背侧及下背部，以128Hz采样频率连续记录三天数据。研究人员采用基于双脚传感器角速度信号的算法提取步行回合，仅纳入长度至少为5步的步行回合，并排除加速减速阶段及转弯数据。步速通过逐步行回合算法计算。统计分析采用R语言中的mclust包进行高斯混合模型（GMM）拟合，以贝叶斯信息准则确定单峰或双峰模型，并通过Ashman's D量化双峰分离程度。此外，采用移动窗口法分析步速及其变异性随步行回合长度的变化趋势。

三、研究结果

3.1 记录与佩戴时间

在符合佩戴时间及步数标准的73名参与者中，平均记录时间为36.7（标准差：7.8）小时，平均实际佩戴时间为34.9（标准差：7.3）小时。

3.2 不同队列的真实世界步速分布特征

在73名参与者中，仅有12名（16%）呈现分离良好的双峰步速分布（Ashman's D>2）。无双峰证据的参与者直方图多呈左偏态，大部分数据集中在较快组分。健康人群中仅1名（6.3%）呈双峰分布，PwCS中3名（15%），KOA中6名（28.6%），iSCI中2名（12.5%）。此外，3名iSCI参与者的双峰拟合未获得更高的贝叶斯信息准则值，因此仅得到单峰拟合。

3.3 步行回合长度与步速及其分布的关系

四个队列的平均步速均随步行回合长度增加而升高，同时步速变异性降低。较长步行回合中步速变异性的降低似乎源于慢速步幅比例的减少，而非步速的线性增加。在12名具有双峰分布的参与者中，慢速组分的中位步行回合长度为11 [四分位距：7.5，31.8] 步，快速组分为34.5 [四分位距：20.8，122] 步，两者差异未达统计学显著水平（中位差=23.5步，W=11，p=0.056）。

3.4 真实世界步速汇总指标的差异

研究人员提出了一种基于GMM拟合的新汇总方法，采用拟合分布的众数作为个体舒适真实世界步速的估计值；对于双峰分布者，选择较快组分的均值。该方法得出的步速在几乎所有个体中均高于全部步幅的平均步速。两种指标高度相关（r=0.98，p<0.001），但差异在步幅数量较少的个体中最为显著。

四、讨论与结论

本研究结果与预期相反，仅16%的参与者呈现双峰步速分布，远低于既往研究报告的96%和89%。这一差异可能源于传感器放置位置及数据处理流程的方法学差异：本研究采用双足算法优化特异性，而既往研究多采用单传感器结合不同算法，可能纳入了被本研究归类为非步行的活动（如原地踏步、爬楼梯）或转弯步幅，这些活动通常步速较慢，从而在分布中形成低速组分。当按照共识标准将真实世界步行定义为直线前进步行（排除转弯和踏步，且至少包含五步）时，真实世界步行似乎不太可能呈现双峰分布。

步行回合长度无法解释双峰分布的存在，提示仅依据步行回合长度对真实世界步态数据进行情境化处理不足以捕捉影响步速的情境因素。计算机视觉、全球定位系统或蓝牙等补充方法可能为未来研究提供更丰富的情境信息。尽管步行回合长度不能解释双峰性，但确实影响真实世界步速：短步行回合同时包含极慢和极快的步幅，而长步行回合几乎仅包含较快步幅。由于步速变异性在不同个体中趋于稳定的步行回合长度不同，采用固定阈值划分短长步行回合应持谨慎态度。

研究人员提出的基于GMM的新汇总方法可降低低速步幅的影响，这些低速步幅可能更多反映短步行回合中的环境约束而非个体的舒适步行速度。该方法在步态受损且步幅数量较少的个体中尤为相关，但仍需进一步验证。

研究结论

大多数个体的真实世界步速不呈双峰分布。此外，研究结果不支持步行回合长度在解释双峰性存在中的作用。综上，本研究结果不支持步速分布的独立组分反映短步行回合与长步行回合的观点。