《Biosensors》：Gait Feature Analysis and Recognition Under Coupled Weight Support and Bearing Conditions via a Domain-Adaptive Gradient Boosting Machine
编辑推荐：
在耦合体重支撑（body weight support）与负重（weight-bearing）条件下，步态特征的准确识别是重力适应策略制定的核心基础。为解决该问题，研究人员提出了一种域自适应梯度提升机（domain-adaptive gradient boos
在耦合体重支撑（body weight support）与负重（weight-bearing）条件下，步态特征的准确识别是重力适应策略制定的核心基础。为解决该问题，研究人员提出了一种域自适应梯度提升机（domain-adaptive gradient boosting machine, DAGBM）算法。DAGBM算法在标准梯度提升机（gradient boosting machine, GBM）框架中加入跨个体域自适应正则化模块。其同时最小化分类损失与最大均值差异（maximum mean discrepancy, MMD），以对齐不同受试者间特征空间。该算法还与个体–环境特征解耦模型协同工作，以进一步提升泛化能力。对比实验在三点悬吊低重力试验台上进行。采用48点足底压力传感器采集步态数据。研究人员还提取峰值压力、压力–时间积分、区域压力比和全足压力中心（center of pressure, CoP）轨迹标准差作为特征。DAGBM对7个身体重量支撑水平达到96.8%的准确率，对4个负重水平达到97.4%的准确率，对全部28种细粒度耦合条件达到94.3%的准确率。DAGBM显著优于SGBoost和XGBoost算法，在变化机械载荷条件下表现出良好鲁棒性，并为航空航天模拟机械条件下的步态识别研究提供方法学参考。
人类步态是中枢神经系统与骨骼肌系统协同调节的周期性运动行为，其生物力学特征可反映运动控制能力与生理功能状态。部分体重支撑（partial body weight support, PBWS）也称重力卸载，是通过悬吊支撑、浮力效应或机械辅助干预抵消预设比例人体体重的技术手段。在航空航天工程中，PBWS载荷耦合步态训练是改善长期在轨低重力下航天员肌肉萎缩与骨丢失的重要方法；在军事训练中，耦合重力与负重条件下的步态稳定性和运动经济性是作战效能与损伤预防的关键决定因素。然而，现有研究多局限于单独低重力/PBWS环境或恒定载荷场景，较少系统研究PBWS–负重全梯度双耦合条件下的步态特征。两个核心科学与技术空白为：耦合工况覆盖不完整，缺少覆盖PBWS和负重全梯度的全因素耦合实验设计；现有步态识别模型跨个体泛化能力不足，忽略个体生物力学差异对环境敏感特征的干扰，难以消除个体变异造成的特征冗余，无法在复杂耦合条件下实现高精度、高稳定性识别。为此，研究人员以PBWS与负重条件下人体步态为对象，设计覆盖0–60%重力卸载和0–30%体重负重的步态实验，采用48通道柔性薄膜足底压力传感器采集足底压力数据，提出基于足底区域聚合的多维步态特征提取方法，构建个体–环境特征解耦模型，并建立基于域自适应梯度提升机（domain-adaptive gradient boosting machine, DAGBM）的步态工况识别模型，实现重力卸载水平、负重比水平及其耦合条件的高精度分类识别，并与传统模式识别算法比较。该研究为深空探索中航天员行走状态监测、载荷评估和重力适应策略研究提供可行技术途径。
关键技术方法概括：样本队列来源为20名健康成人（10男10女；年龄22–33岁，平均26.4±3.2岁；身高158–185 cm，平均170.2±8.7 cm；体重52–81 kg，平均64.7±9.3 kg；BMI 19.2–23.8 kg/m
2，平均21.5±1.3 kg/m
2），经山东航空学院机构审查委员会批准。研究人员构建三点悬吊低重力试验台，覆盖0–60%重力卸载与0–30%负重；采用48点柔性薄膜足底压力传感器（ES48P，4×12阵列，0–200 kPa，100 Hz，厚度0.2 mm），固定步行速度3 km/h，每工况采集3 min，共获得20×28×100=56,000个有效样本。提取区域瞬时峰值压力、压力–时间积分（pressure–time integral, PTI）、区域压力比例和全足压力中心（center of pressure, CoP）轨迹标准差。采用方差分量估计与线性混合效应模型（linear mixed-effects model, LMM）筛选环境敏感特征；在梯度提升机（gradient boosting machine, GBM）框架中加入最大均值差异（maximum mean discrepancy, MMD）域自适应正则项，最小化分类损失与MMD损失，并以贝叶斯优化调整超参数，采用留一受试者交叉验证（leave-one-subject-out, LOSO）评估。
4.1 体重支撑对足底瞬时峰值压力的影响。通过0–60%体重支撑实验，研究人员发现三区域峰值压力随体重支撑增加单调下降，始终维持后足最高、前足次之、中足最低的层级；60%时三区域压力最低，中足下降斜率最大、衰减最显著，后足和前足较平缓；曲线无交叉或拐点。结论为减重仅调节足底压力幅值，不改变足底载荷空间分布特征。
4.2 负重对足底瞬时峰值压力的影响。在0–30%负重比实验中，三区域峰值压力随负荷比例增加持续上升；后足增幅最显著且始终最高，前足稳定上升且低于后足、高于中足，中足在0–20%缓增、20–30%加速上升但总体最低。结论为负荷增加直接提高轴向承重载荷，后足是主要承重区，中足缓冲在超过20%后趋于饱和。
4.3 双因素耦合条件下瞬时峰值压力变化。在体重支撑与负重等比例耦合0–0至30–30条件下，LMM统计显示三区域峰值压力变化高度同步：0–0至10–10略降，10–10至20–20急增至所有工况最大值，20–20至30–30缓降；后足始终最高、前足次之、中足最低且变化最平缓，无交叉或异常突变。结论为耦合负荷只调节足底压力幅值，不破坏固有区域载荷分布；轻度减重卸载占优，外部载荷超过卸载效应时净垂直足底载荷显著增加，高体重支撑比时缓冲与卸载效应增强。
4.4 基线条件下各区域压力–时间积分变化。通过完整步态周期PTI分析，早期0–30%后足累积负荷上升最快，中足缓慢增加，前足几乎无负荷；中期30–60%三区域快速上升并发生曲线交叉，主导承重区由后足转向中足和前足；晚期60–100%后足进入平台，中足增速减缓趋于饱和，前足继续升至全周期最大值。最终形成前足累积负荷最高、中足次之、后足最低的分布，反映后足接触–中足过渡–前足蹬离的载荷传递逻辑。
4.5 基线条件下各区域压力比例分析。在基线条件下12.5–100%步态周期中，早期后足压力比例最高（12.5%和25%时分别为46%和45%）；中期后足比例持续下降，前足显著增加并在62.5%达到峰值51%，成为主导压力区，中足稳定下降；晚期前足比例逐渐下降、后足回升，100%时后足恢复至48%，三区域比例总和恒为100%，载荷分布平滑转移。结论为足跟先接触、前足推进、中足缓冲，压力比例随步态阶段平滑转移。
5.1 模式识别结果。为验证DAGBM，研究人员实施体重支撑水平识别、负重比水平识别和28类耦合条件综合识别三项任务，并与SGBoost、随机森林（random forest, RF）、支持向量机（support vector machine, SVM）和XGBoost比较；先进行Min-Max归一化，并进行跨受试者独立测试，采用准确率、精确率、召回率和F1分数评价。所有对比模型采用相同特征集、归一化和贝叶斯超参数调优。
5.2 单条件水平识别。对7类体重支撑（body weight support, BWS）任务和4类负重水平任务，DAGBM分别达到96.8%和97.4%的识别准确率，优于SGBoost、RF、SVM和XGBoost。结论为DAGBM中的域自适应机制可有效提取判别性步态特征，并与特征解耦方法形成协同优化。
5.3 耦合条件水平识别。对28类细粒度耦合工况，DAGBM综合识别准确率为94.3%，F1分数为94.1%，较XGBoost提高2.8%，较SGBoost提高11.7%。消融实验显示，原始特征+传统GBM为81.3%；解耦特征+传统GBM为89.5%；原始特征+DAGBM为91.2%；解耦特征+DAGBM最佳，较基线GBM提高13.0%。结论为特征解耦提供稳健环境敏感特征，域自适应进一步抑制个体差异干扰，两者联合实现高精度、高稳定性识别。
5.4 跨受试者泛化性能分析。采用LOSO交叉验证，SGBoost和XGBoost跨个体准确率降至79.1%和86.7%，DAGBM保持93.5%且性能下降最小。结论为域自适应约束可有效消除不同受试者间特征分布差异，使模型具有更强泛化能力和工程应用价值。
讨论与结论部分总结：研究人员基于48通道柔性薄膜压力传感器构建可穿戴足底压力采集系统，系统研究多梯度耦合条件下足底压力时空分布，提出个体–环境特征解耦与DAGBM结合的步态识别方法，实现重力偏移水平、负重比水平及耦合条件高精度分类。结果表明，区域聚合峰值压力、PTI、区域压力比例和CoP轨迹特征可有效量化耦合条件下步态力学差异；体重支撑和负重分别通过卸载和加载效应调节足底压力幅值，而不改变固有足底力分布模式；特征解耦模型可分离个体生理差异与环境工况特征，降低跨受试者特征分布漂移，提高工况敏感性与鲁棒性。DAGBM对7类重力偏移水平和4类负重比水平识别准确率分别为96.8%和97.4%，28类细粒度耦合条件综合识别准确率为94.3%，跨受试者泛化准确率为93.5%，总体显著优于传统机器学习算法。局限是实验均在3 km/h固定速度下进行，未探索变速步行泛化；DAGBM尚未轻量化部署，限制可穿戴实时监测应用。未来将研究变速步态压力变化，测试模型泛化，优化推理速度并降低计算复杂度，以便集成到可穿戴设备，实现实时连续足底压力监测，并为模拟地面重力适应训练场景的步态分析提供方法参考。
研究结论部分翻译：针对深空探索和康复训练等场景中体重支撑–负重耦合条件下步态准确识别需求，研究人员构建了基于48通道柔性薄膜压力传感器的可穿戴足底压力采集系统，系统研究了多梯度耦合条件下人体足底压力时空分布特征，并提出个体–环境特征解耦与DAGBM结合的步态识别方法。所提方法实现了重力偏移水平、负重比水平及耦合条件的高精度分类。结果表明，足底区域聚合峰值压力、PTI、区域压力比例和CoP轨迹特征可有效量化耦合条件下步态力学差异；体重支撑和负重分别通过卸载和加载效应调节足底压力幅值，而不改变固有足底力分布模式。所构建特征解耦模型能有效分离个体生理差异与环境工况特征，显著降低跨受试者特征分布漂移，提高特征工况敏感性与鲁棒性。模式识别性能方面，DAGBM对7类重力偏移水平和4类负重比水平分别达到96.8%和97.4%的识别准确率，对28种细粒度耦合条件综合识别准确率为94.3%，跨受试者泛化准确率为93.5%，总体性能显著优于传统机器学习算法。需注意，所有实验均在3 km/h固定步行速度下进行，尚未探索变速步行条件下模型的泛化性能。未来研究将关注变速步行时足底压力变化特征，并系统测试模型在此类动态场景下的泛化能力，以进一步提高对真实步态模式的适应性。此外，DAGBM模型尚未以轻量化形式部署，限制其在可穿戴实时监测设备中的实际应用。因此，后续工作将在保证预测精度的同时，优化模型推理速度并降低计算复杂度，使模型有效集成至可穿戴设备，实现足底压力实时连续监测，并为模拟地面重力适应训练场景的步态分析研究提供方法参考。
