智能传感器驱动的步态康复助行器：结合机器学习技术实现预测性居家治疗 作者：Gokul Manavalan, Yuval Arnon, A. N. Nithyaa, Shlomi Arnon

《Sensors》：Smart Sensor-Driven Gait Rehabilitation Walker Using Machine Learning for Predictive Home-Based Therapy Gokul Manavalan, Yuval Arnon, A. N. Nithyaa and Shlomi Arnon

　　**亮点**

**主要发现是什么？**
- 一种模块化的智能康复步行器提供了实时的触觉对称性反馈。
- 多模态传感（FSR、sEMG、IMU）能够实现持续的步态监测。
- 在为期15天的康复研究期间，力对称性指数平均下降了79.26%。
- EMG激活显著增加（ΔEMG = 4.28，t(9) = 13.58，p < 0.001）。

**主要发现的意义是什么？**
- 该系统支持更平衡的步态，并在康复过程中改善了神经肌肉的激活。
- 高斯过程回归技术能够进行考虑不确定性的预测，从而实现个性化治疗。
- 通过在外部ALS步态数据集上的验证，证明了该分析流程的通用性。

**摘要**
- 与神经肌肉和肌肉骨骼疾病相关的异常步态在临床中是一个日益严重的问题，尤其是在老年人群中。本研究介绍了一种模块化、低成本的智能康复步行器（SRW），它结合了多模态传感和实时触觉反馈，能够在临床和家庭环境中同时实现步态监测和纠正性干预。该系统采用力敏感电阻器来评估双侧负载的对称性，利用惯性测量单元来检测跌倒，并通过表面肌电图（sEMG）监测神经肌肉活动，形成一个闭环辅助反馈架构。一项为期15天的 pilot 研究涉及10名患有类风湿性关节炎并具有临床观察到的步态异常的个体，结果显示步态生物力学有所改善。使用Robinson对称性指标计算出的力对称性指数（FSI）从平均0.9691下降到0.2019，相当于肢体间负载不对称性平均减少了79.26%。同时，sEMG测量显示神经肌肉激活显著增加（ΔEMG = 4.28），统计分析确认了参与者之间的显著改善（配对t-test：t(9) = 13.58，p < 0.001）。为了模拟康复轨迹，基于高斯过程回归的非线性预测框架取得了高预测准确性（R2 ≈ 0.9，平均RMSE为0.0385），同时提供了考虑不确定性的趋势估计。使用独立的肌萎缩侧索硬化症步态数据集进行验证进一步证明了该分析流程的可转移性。这些结果突显了传感辅助步行器作为定量步态康复、自适应反馈和长期活动监测的可扩展平台的潜力。

**1. 引言**
- 异常步态模式在神经肌肉、肌肉骨骼和神经系统疾病中普遍存在，是导致行动能力下降、独立性丧失和跌倒风险增加的主要原因[1,2,3]。这些损伤可能是暂时的，例如在骨科损伤或术后恢复期间，也可能是慢性的，如类风湿性关节炎（RA）、中风后偏瘫、脱髓鞘疾病和神经退行性疾病[2,4,5,6]。尽管病因多样，但这些疾病经常表现出类似的功能表现，如步态不对称、姿势不稳、肢体负荷改变以及行走时力量分布不均[7,8]。
- 中风后偏瘫通常被认为是步态不对称的典型模型，其特征是单侧无力、平衡能力受损以及代偿性运动策略[2,8,9]。在慢性炎症性关节疾病（如RA）以及与痉挛、疲劳和本体感觉障碍相关的神经系统疾病中，也观察到了类似的生物力学和神经运动缺陷[7,10]。如果没有适当的康复支持，这些损伤可能会发展成适应不良的步态模式、关节过载和跌倒风险增加[7]。
- 流行病学研究进一步强调了这一挑战的严重性。仅类风湿性关节炎就导致了全球范围内的重大发病率和功能残疾，而与退行性和脱髓鞘疾病相关的神经系统步态障碍随着人口老龄化而持续增加[10]。这些趋势强调了需要可访问和可扩展的康复技术，以支持在传统临床环境之外的长期行动能力[11,12]。
- 传统的步行器和辅助移动工具在行走时提供机械稳定性，但通常缺乏实时监测、自适应反馈或用户-设备交互的定量评估[13,14]。特别是，在单侧运动障碍的个体中常见的步行器把手上的不对称力量应用，尽管其与疲劳、姿势错位和继发性肌肉骨骼 strain 有关，但仍未得到充分量化[14,15,16,17]。
- 重要的是，在步行器辅助行走过程中，上肢的力量不对称性与潜在的步态障碍密切相关。单侧无力或神经运动缺陷的个体常常通过不成比例地加载步行器的一侧来补偿，导致重量分布不均、姿势错位和步态机制效率低下。负载不对称和过度的上肢（UE）力量会损害步态和平衡，增加不稳定性和受伤的风险。在步行器辅助行走过程中，用户经常超过推荐的力量限制，导致上身的不对称负荷和压力增加。基于反馈的干预措施可以改善力量调节并减少肌肉过度激活。生物力学分析进一步表明，在使用步行器时，肩膀承受的负荷最大，使其特别容易受到过度使用的影响。这些发现突显了需要改进力量控制、负载对称性和人体工学辅助设备设计[18,19]。
- 因此，在步行器接口处监测和纠正力量不对称性提供了一个实用且可量化的指标，以改善整体步态表现。通过促进上肢负荷的平衡，可以间接支持更对称的下肢运动模式，并在康复过程中增强功能活动能力。先进的机器人康复系统可以提供有效的训练，但往往受到高成本、基础设施要求和适用于家庭环境的限制[14,15,16,17]。
- 为了解决这些限制，本研究提出了一种模块化的智能康复步行器（SRW），旨在支持在家庭和社区环境中进行持续的步态监测和纠正性反馈。该系统结合了开源嵌入式硬件和多模态传感，包括用于负载对称性监测的力敏感电阻器、用于跌倒检测的惯性测量单元以及用于神经肌肉活动分析的表面肌电图。实现了闭环触觉反馈机制，以鼓励在辅助行走过程中自愿纠正上肢力量的不对称。

**最近的康复技术进展**
- 康复技术的最新进展强调了可穿戴和自适应辅助系统的发展，以支持现实世界的移动支持。例如，用于现实世界移动的可穿戴技术强调了多模态传感的整合，包括生理和环境信号，以实现人在回路中的自适应辅助[20]。同样，可重构的外骨骼肌肉系统通过参数调整来辅助髋关节屈曲或踝关节跖屈，展示了一种能够动态调整辅助参数以减少行走时代谢成本的可重构外骨骼肌肉系统[21]。虽然这些系统在自适应驱动和可穿戴辅助方面取得了显著进展，但其复杂性和成本可能限制了它们在家庭康复环境中的大规模应用。相比之下，本研究侧重于一种模块化的SRW，它结合了多模态传感和实时触觉反馈以及可解释的预测建模，为现实世界环境中的个性化步态康复提供了一种可扩展且成本效益高的解决方案。
- 除了硬件开发外，还引入了一种数据驱动的分析框架来量化康复进展。从步行器获得的力分布信号使用基于高斯过程回归的非线性预测模型进行分析，从而实现个性化康复轨迹建模，并结合不确定性估计。为了进一步检验分析流程的鲁棒性，该框架还使用与肌萎缩侧索硬化症相关的独立开源步态数据集进行了评估。通过将传感辅助硬件与预测数据分析相结合，所提出的系统旨在弥合传统移动辅助工具和智能康复平台之间的差距。这种智能康复步行器提供了一种可扩展且可解释的方法，用于监测步态对称性，支持纠正性干预，并促进各种移动障碍下的家庭康复。
- 进行了一项为期15天的 pilot 研究，涉及10名患有类风湿性关节炎和步态异常的个体，以评估该系统。定量分析显示步态对称性显著改善，力对称性指数从0.953下降到0.153（受试者1减少了83.9%），同时神经肌肉激活显著增加。这些结果展示了所提出系统在闭环步态康复和功能性恢复客观监测方面的潜力。

**1.1. 异常步态测量方面的相关工作**
- 在过去十年中，异常步态评估已经从基于实验室的生物力学分析发展为可扩展的传感和数据驱动的监测方法。当代研究可以广泛分为基于视觉的系统、可穿戴传感方法、结构振动监测和混合多模态框架。

**1.1.1. 基于视觉的方法**
- 基于视觉的步态分析通常依赖于光学运动捕捉或计算机视觉技术。无标记的视频系统利用标准RGB相机提取步态运动学，无需特殊标记。例如，大型标注的视频数据集使深度学习模型能够以高精度分类异常步态模式[22]。自监督框架如FSGait通过直接从视频序列中学习细粒度的时空特征，进一步减少了对手动标记数据的依赖[23]。这些方法提供了可扩展性和非侵入性监测；然而，它们的性能通常容易受到环境因素的影响，如照明变化、遮挡和背景复杂性。
- 相比之下，基于标记的光学运动捕捉系统仍然是生物力学步态分析的金标准。这些系统使用反射标记和多摄像机设置来重建高分辨率的三维骨骼运动[24]。尽管它们提供了高度精确的运动学测量和详细的生物力学洞察，但其部署通常需要专门的实验室基础设施、昂贵的仪器和训练有素的人员，这限制了它们在常规或家庭环境中的普及性。

**1.1.2. 可穿戴传感器方法**
- 可穿戴传感技术已成为现实世界环境中连续步态监测的实际选择。惯性测量单元（IMU）广泛用于通过加速度计和陀螺仪信号捕获关节运动学和步态动态。应用于IMU特征的学习算法在识别与骨科和神经系统疾病相关的步态异常方面显示出有希望的表现[25]。尽管它们具有便携性和成本效益，但基于IMU的系统仍然对传感器放置和对齐敏感，这可能会影响测量可靠性。
- 表面肌电图（sEMG）传感器通过在运动过程中测量神经肌肉活动提供补充信息。最近的研究应用了深度学习架构，包括LSTM和BiLSTM模型，来预测跌倒风险和检测异常运动模式[26]。虽然这些方法提供了有关肌肉激活和协调的宝贵生理洞察，但sEMG测量容易受到运动伪影和电极位移的影响，需要仔细的传感器放置和校准。

**1.1.3. 基于结构振动的方法**
- 结构振动监测代表了一种替代的间接步态分析方法。在这些系统中，地面安装的传感器检测行走时脚步冲击产生的振动。对这些振动信号的频域分析可以揭示与异常步态模式相关的特征[27,28]。这些系统支持被动且不显眼的监测；然而，它们的实施通常需要专门的仪器环境，并可能受到环境噪声或干扰的影响。

**1.1.4. 混合多模态和数据增强方法**
- 混合方法结合了多种传感模式和先进的机器学习技术，以提高鲁棒性和泛化能力。例如，提出了将时间深度学习架构与生成对抗网络（GANs）结合的多模态框架，以增强有限数据集的分类性能，用于罕见步态障碍[29]。虽然这些方法可以实现高预测准确性，但它们的复杂性常常引入了与计算成本、模型可解释性和临床应用相关的挑战。

**1.1.5. 所提出方法的定位**
- 尽管在传感和机器学习技术方面取得了显著进展，许多现有系统仍受限于实验室基础设施、复杂的仪器或有限的实时康复能力。相比之下，本研究提出的系统专注于一种便携式和辅助性传感平台，能够在行走过程中进行监测和纠正性干预。所提出的智能康复步行器结合了力敏感电阻器、惯性测量单元和表面肌电图传感器，以捕获与平衡、负载分布和神经肌肉活动相关的多模态信息。与纯粹的观察性步态分析系统不同，该步行器集成了闭环触觉反馈机制，以鼓励在辅助行走过程中自愿纠正不对称的力量应用。此外，康复进展使用基于高斯过程回归的非线性预测框架进行建模，实现带有不确定性估计的个性化趋势分析。表1提供了代表性步态监测方法的比较总结。

**1.2. 步态康复实时反馈方面的相关工作**
- 先前的研究支持了自适应反馈机制的重要性。Zhang等人使用IMU和足底力量数据在老年人中展示了高精度的疲劳检测[30]。然而，他们的系统依赖于受控实验室条件下的跑步机记录，限制了其在现实世界康复场景中的适用性。相比之下，本文提出的SRW能够在自由行走条件下进行连续监测，使其更适合长期家庭康复。类似地，Cleland等人使用可穿戴传感器分析中风后的步态，并确定了行走速度和耐力的预测因子[9]。虽然他们的系统提供了有价值的诊断洞察，但没有结合实时纠正反馈。本研究开发的SRW通过提供即时的触觉提示来指导用户实现对称的手臂负荷，从而将被动监测转变为积极的康复干预。
- 双侧触觉反馈的整合也与运动控制中的手臂-腿部耦合概念相一致，这已被强调为步态协调的重要机制[31]。通过向双上肢传递振动触觉信号，同时监测肌电图（EMG）活动，所提出的系统能够直接观察神经肌肉激活与生物力学对称性之间的关系。这种多模态方法比依赖单一感知模式的反馈系统提供了更丰富的信息。从数据分析的角度来看，高斯过程回归（Gaussian Process Regression）的使用解决了康复系统中需要透明和可解释的预测建模的问题。Yentes及其同事的先前工作强调了方法论严谨性和参数透明度在步态时间序列分析中的重要性[32]。本研究中使用的GPR模型通过提供带有置信区间的概率预测，使临床医生能够以量化的不确定性来解释康复轨迹。Franck等人的补充研究展示了贝叶斯统计建模在步态分析中的价值[33]。尽管贝叶斯方法提供了严谨的不确定性量化，但它们通常需要复杂的计算框架和专业知识。这里实现的GPR提供了一种实用的折中方案，能够在保持计算效率的同时实现可解释的预测，适用于实时应用。最近在康复机器人领域的研究进一步强调了多传感器集成的优势。Lee等人证明，使用动力义肢结合生物力学模拟可以预测中风后的患者股直肌反射亢进[34]。虽然他们的方法取得了高准确性，但需要详细的运动学建模和肌肉模拟，这在专用实验室之外难以实施。相比之下，本研究中开发的SRW利用集成的生理和力传感器实现了预测性监测，减少了对复杂生物力学建模的需求，并使其能够在家庭环境中实际应用。表2总结了所提出的系统与代表性的最新步态康复和监测方法之间的比较。比较结果表明，虽然许多现有解决方案专注于单一的感知模式或特定的临床人群，但当前的SRW集成了多模态感知（EMG、IMU和力传感器）与实时触觉反馈和可解释的预测建模。这种集成架构使得在一个专为家庭使用设计的便携式平台上能够同时进行监测、干预和康复评估。

2. 材料与方法
所提出的框架旨在识别、表征和支持肌肉骨骼和神经系统运动障碍个体的异常步态模式。该系统结合了传感器集成辅助行走器与数据驱动的预测建模，以实现家庭环境中的步态监测和康复支持。实验框架包括两个主要阶段。第一阶段涉及基于多模态传感器的步态筛查，以捕捉辅助行走过程中的生物力学和神经肌肉信号。这些信号被处理以量化步态不对称性和用户-行走器交互模式。第二阶段包括智能康复行走器（SRW）协议，该协议提供实时反馈，以鼓励用户自愿纠正不对称的力分布并改善平衡控制。完整的临床工作流程，包括筛查、评估和康复程序，在附录A中提供，而本节重点介绍工程设计、感知架构、预测建模框架以及用于评估系统的试点研究协议。

2.1. 智能康复行走器设计
智能康复行走器（SRW）被开发为一个模块化辅助平台，能够监测步态动态并在行走过程中提供实时反馈。传统的行走器通常提供机械稳定性，但缺乏感知能力、自适应反馈机制或用户-设备交互的定量监测[13,14]。所提出的SRW通过将感知、反馈和预测建模组件集成到便携式康复设备中，解决了这些限制。本研究中使用的原型行走器高度固定为81厘米，这在市面上销售的行走器的典型调节范围（81-102厘米）之内[35]。最终设计在补充材料图S1中有所展示。然而，需要承认这种配置可能并不适合所有用户，特别是对于身高低于预期范围的人。先前的研究表明，不适当的行走器高度可能会影响辅助行走过程中的上肢负荷、姿势和关节应力，从而可能影响步态机制和用户舒适度[36]。尽管如此，所有参与者都能够安全地完成研究方案，并且没有观察到不良反应。由于分析重点在于受试者内部的力量对称性和神经肌肉活动变化，因此绝对高度不匹配的影响被部分缓解。尽管如此，未来的工作将纳入可调节的行走器配置，以确保最佳的人体工程学对准，并提高更广泛用户群体的可用性。

框架结构使用低碳钢管制造，以提供机械耐用性，同时保持可管理的重量。结构表面涂有一层铝，以增强抗腐蚀性和结构寿命。整个系统，包括传感模块、微控制器和通信组件，重量约为3.1公斤，这与市面上销售的行走器设备的典型范围（2.5-5公斤）相当[37]。模块化架构允许传感和处理单元的集成，而不会显著增加用户的物理负担。图1和补充材料图S2展示了带有集成传感模块和通信组件的组装好的SRW原型。设计确保了传感器的稳定放置、电子设备的紧凑集成以及用户的手部支撑表面不受阻碍。

2.2. 多模态传感器模块
SRW集成了多个传感模块，以捕捉与步态动态相关的生物力学和生理信号。这些模块能够监测辅助行走过程中的力分布、行走器方向和神经肌肉活动。所有传感器都与一个微控制器平台连接，该平台负责信号采集、预处理和反馈控制。
(a) 平衡监测模块：为了监测辅助行走过程中的不对称力分布，在行走器把手内部嵌入了两个力敏电阻（FSR）。这些传感器测量用户手部施加的垂直力。每个FSR产生的模拟电压与施加的压力成正比，该电压通过基于Arduino的微控制器和10位模数转换器（ADC）进行数字化，输出值范围为0 ≤ V_ADC ≤ 1023 [38,39]。在系统集成之前，FSR使用商业称重秤施加的已知参考负载进行了校准，从而实现了传感器输出与施加力之间的映射。通过比较左右手把手的力来评估实时的力对称性[38,39]。当力差超过预定义的阈值时，安装在把手上的微型振动电机（VM0610A3.0，EKULIT Elektrotechnik Karl-Heinz Mauz GmbH，德国Ostfildern）会被激活[40,41]。在本研究中，触觉反馈定义为通过这些电机传递的振动触觉刺激，以向用户传达力不对称性[42]。尽管触觉交互可以包括多种模态，但基于振动的反馈为辅助系统提供了有效且可感知的纠正动作提示[43,44]。振动电机的配置为频率100 Hz、振幅1.5 g和持续时间300 ms，这些参数是根据关于人类振动触觉感知和舒适度的先前研究选定的[45,46]。试点测试确认这些刺激清晰可感知，且不会引起不适。

触发触觉反馈的不对称性阈值是在试点测试中根据五名受试者的数据确定的。在不同负载条件下记录了100次试验中的力不对称性值，并根据观察到的平均不对称性定义了阈值。这种方法确保了阈值反映了实际使用场景中的典型用户行为。对所有参与者应用了统一阈值，以保持一致性并简化具有不同身体特征的个体之间的系统部署。虽然这种方法实现了标准化评估，但它没有考虑到个体间的差异。未来的工作将研究自适应或个性化的阈值策略，以进一步增强反馈机制的个性化和敏感性。

(b) 跌倒检测模块：在行走器结构中集成了三轴加速度计，以监测其方向并检测不稳定性。加速度计测量三个正交轴上的线性加速度，定义为a = (ax, ay, az)，其中每个分量代表相应轴上的加速度。持续监测行走器的方向，超过预定义阈值的倾斜角度被解释为潜在的翻倒事件或不安全的行走器位置[47,48]。检测到不稳定性时，会通过集成的蜂鸣器产生听觉警报，以通知附近的人或看护者。重要的是要注意，该模块检测的是行走器的不稳定性，可能会增加用户跌倒的风险，但并不能直接检测或预测实际的跌倒。因此，应将该系统视为通过早期警告不安全状况提供额外安全层，而不是直接的跌倒检测机制。

(c) sEMG监测模块：为了捕捉辅助行走过程中的神经肌肉活动，系统集成了表面肌电图（sEMG）模块。按照标准的sEMG指南，在肱二头肌上放置了表面电极，活动电极位于肌肉腹侧，参考电极靠近肘关节。记录的信号反映了肌肉激活情况，以毫伏为单位表示[41,49,50]。由于sEMG信号容易受到运动伪影、电极-皮肤阻抗变化和环境干扰等噪声源的影响，因此实施了预处理流程来提高信号质量。应用了四阶数字带通滤波器（30-500 Hz）来消除低频漂移和高频噪声[51]。随后，使用基于小波的去噪技术进一步抑制残余噪声，包括在蓝牙传输过程中引入的伪影[52]。这些预处理步骤提高了信噪比，并确保了肌肉激活模式的可靠提取。处理后的信号用于分析辅助行走过程中的肌肉参与度和变化。sEMG信号处理的详细描述和相应图示在附录B中提供。

(d) 环境辅助和通信：为了提高低光环境下的可用性，将光敏电阻（LDR）传感器集成到行走器系统中。LDR监测环境光照水平，并在环境亮度低于预定义阈值时激活辅助照明。此功能在夜间或能见度低的情况下增强了用户的安全性。通过蓝牙通信模块实现了无线数据传输，允许将传感器数据实时流式传输到外部设备进行监测、数据记录或基于云的分析。

2.3. 使用高斯过程回归的预测建模
为了分析来自FSR传感器的力信号并模拟随时间变化的康复进展，实现了基于高斯过程回归的预测框架。高斯过程回归（GPR）是一种贝叶斯非参数建模方法，它可以提供预测估计和不确定性量化，特别适用于可能受限或噪声较大的临床数据集[53,54]。

2.3.1. 高斯过程模型
高斯过程定义了一个函数分布，完全由均值函数和协方差函数指定[53,54,55]。该模型可以表示为：
[公式省略]

2.3.2. 核函数
GP模型的协方差结构使用径向基函数（RBF）核来定义，表示为：
[公式省略]

2.3.3. 推理和预测
给定训练输入和观察输出，新测试点的预测分布是高斯分布，具有均值和方差：
[公式省略]

2.3.4. 应用于步态力分析
GPR模型被应用于估计和预测辅助行走过程中的FSR阻力值。输入变量x对应于传感器测量的时间索引，而输出变量y代表与用户施加的把手力相关的测量FSR阻力。通过对所有参与者的汇总数据进行训练，模型捕捉了共同的生物力学模式，同时最小化了对个别受试者的过拟合。使用保留的测试数据评估了模型性能，确保预测是在之前未见样本上进行的。这种通用的建模方法支持对所研究的类风湿性关节炎（RA）患者群体的趋势分析，而未来的工作将重点开发个性化模型，以进一步提高对个别患者的预测准确性。高斯过程回归（GPR）框架还提供了置信区间，使得能够对康复路径进行基于不确定性的预测。需要注意的是，这种方法评估的是在观察到的群体内的泛化能力，而不是在完全未见过的受试者中的泛化能力。2.3.5 数据集和验证该模型是基于从10名参与者在15天康复期间收集的纵向力传感器（FSR）数据训练的，每个传感器通道有1200个时间序列样本。对于每个参与者，80%的数据用于训练，而剩余的20%被保留作为保留的测试集。这种划分确保了评估是在之前未见过的样本上进行的，尽管同一受试者的数据同时出现在两个集合中。此外，还在训练数据上进行了5折交叉验证，以优化超参数并减少过拟合。跨所有参与者的数据合并使模型能够捕捉到具有不同特征的个体之间的力分布的共同趋势。然而，这种方法并不代表受试者独立的验证，未来的工作将探索跨受试者的泛化能力和个性化建模策略。有关数据集、训练/测试划分以及模型性能指标的详细总结，请参见附录C中的表A1。2.4 研究参与者和临床相关性为了评估所提出的SRW系统的实际效果，进行了为期15天的初步研究，涉及10名自愿参与者的研究，他们都有临床确诊的慢性步态异常。所有参与者都患有类风湿性关节炎（RA），这是一种会损害关节稳定性、姿势和运动功能的进行性自身免疫性疾病。除了与RA相关的障碍外，一些参与者还表现出与脱髓鞘疾病常见的神经步态特征，如痉挛、本体感觉缺陷、肌肉疲劳、间歇性平衡不稳定和足部离地高度改变。有些人还表现出之前中风的轻微残留影响，包括轻微的单侧无力、偶尔的协调困难和轻微的平衡问题，所有这些都在不同程度上影响了他们的行动能力。虽然没有一致获得多发性硬化症（MS）的正式神经学确认，但这些特征在监督下的行走过程中被临床观察到并记录下来。特别是参与者1，表现出明显的混合损伤特征，结合了晚期RA的特征性抗痛步态模式和显著的神经步态障碍，如痉挛性肢体运动、间歇性足下垂以及之前中风的轻微残留影响。这种表现提供了评估SRW实时触觉反馈和基于肌电图的神经肌肉监测模块适应能力的宝贵测试场景。表3总结了研究参与者的 demographic 和功能特征。虽然类风湿性关节炎是整个队列中主要的确诊疾病，但观察到的神经步态表型突显了所提出的SRW在处理以姿势不对称和神经运动不稳定性为特征的移动障碍方面的广泛应用，包括脱髓鞘疾病、中风后偏瘫、帕金森病步态、脊髓损伤和骨科康复情况。研究持续时间为15天，是有意选择的初步评估窗口，用于调查用户的短期适应、系统可用性和对所提出的SRW的即时治疗反应。类似的短期方案已在康复机器人学中广泛采用，以评估早期的步态适应和功能改善。最近的证据进一步表明，大约在10-15次训练后，步态和平衡能力可以有可测量的改善，这支持使用这样的时间框架进行初步验证[58,59]。在这个受控的时间内，研究能够密切监控患者与设备之间的互动、早期的神经肌肉反应以及潜在的人体工程学问题。在干预期间没有报告任何不良影响或用户不适。尽管如此，仍需要更长期的纵向研究来全面评估长期的人体工程学安全性、肌肉骨骼适应性和持续的康复结果。2.5 多模式系统集成和功能验证开发的智能康复助行器在一个闭环康复框架内集成了力感知、表面肌电图（sEMG）、惯性感知、振动触觉反馈、跌倒检测和照明模块。传感器信号由机载微控制器实时处理，输出通过蓝牙远程监控，同时也在本地LCD界面上显示。力感知子系统使用安装在助行器把手上的双侧力敏电阻（FSRs）来测量行走过程中的上肢负载分布。当双臂之间的力差超过预定义的不对称阈值时，系统会触发振动触觉反馈以指导正确的姿势调整。图2展示了代表性的实时力信号和触觉反馈激活，说明了闭环校正机制。右臂（FSR1）和左臂（FSR2）之间的不对称负载时期对应于振动触觉电机的激活，确认了成功的检测和反馈触发。反馈循环的平均响应延迟测量值小于120毫秒，确保了行走过程中的实时校正。图2. 实时力分布和触觉反馈映射：Arduino串行绘图器输出显示FSR1（绿色）和FSR2（粉色）电阻数据以及触觉反馈激活信号——右侧（橙色），左侧（灰色）——在实时使用助行器时捕获的。不对称触发的反馈循环实时展示了闭环校正。红线代表SRW中的LDR在其基线时；在昏暗环境中暴露时，它显示出电阻值的变化。跌倒检测模块通过控制的方向测试进行了评估。图3显示了在三种助行器状态下捕获的三轴加速度轮廓：直立、倾斜和跌倒。加速度信号中的不同阈值交叉使得能够可靠地区分这些状态。算法在重复试验中以100%的检测准确性正确识别了模拟的跌倒事件，证明了可靠的稳定性监测。图3. 通过Arduino串行绘图器捕获的加速度信号模式，展示了跌倒检测算法的有效性。三轴加速度计清楚地识别了助行器的多种位置状态：直立（状态1）、倾斜（状态2和4）和跌倒（状态3和5）。这些转换验证了算法早期跌倒预测和主动稳定性管理的能力。为了验证嵌入的肌电图（EMG）采集模块，从定制硬件记录的信号与商用BioPac MP36系统的记录进行了比较。图4展示了两个系统的代表性信号轨迹。两个信号之间的均方根（RMS）偏差为ΔRMS = 0.2，表明嵌入式系统和临床参考设备之间有很高的一致性。图4. 嵌入式EMG采集模块的验证；(a) 使用嵌入式sEMG传感器进行的原始表面肌电图信号采集：捕获的Surface Electromyography (sEMG)信号反映了助行器辅助行走过程中上肢的基线肌肉激活；(b) 使用BioPac系统进行的原始EMG信号采集：从BioPac MP36系统获得的sEMG记录，用于比较信号验证，突出显示了与嵌入式EMG模块在幅度和波形形态上的一致性。还评估了其他操作界面。蓝牙连接实现了实时无线数据流传输，并通过集成的LCD提供了即时用户反馈，如补充图S3和S4所示。为了评估照明模块，在低环境光照条件下进行了测试，确认了夜间操作时的显著可见性增强（补充图S5）。实施细节——包括电极放置和用户界面——记录在补充图S6中。总体而言，这些结果证实了所提出的系统在便携式康复平台中成功集成了多传感器数据采集、实时信号处理和自适应反馈控制。2.6 力对称指数（FSI）估计为了定量评估上肢对称性的改善，使用了R. O. Robinson及其同事[60,61]引入的广泛采用的对称性指标来计算力对称指数（FSI）。(6) 其中 和 分别代表右手和左手的力测量值。FSI值的范围是从0（完美对称）到1（最大不对称），提供了一个标准化的测量方法，用于衡量右手和左手之间的力不平衡[60,61]。3. 结果 3.1 助行器辅助步态治疗评估为了评估治疗效果，十名具有不同步态异常的参与者完成了一个为期15天的助行器辅助康复初步方案，这与康复机器人学中常用的短期干预框架一致。每位参与者每天进行大约80米的行走训练，在检测到不对称力应用时提供实时振动触觉反馈。这个持续时间使得能够系统地观察用户的适应情况、步态矫正行为以及早期康复期间的神经肌肉参与情况。虽然结果展示了可行性和短期治疗效果，但研究没有涉及长期的人体工程学安全性或持续的临床结果，这些仍然是未来研究的重要方向。主文献和补充材料中关于受试者的所有图像都经过了完全去标识处理，仅用于说明姿势的进步。已经从相关个体获得了使用这些图像的书面同意，并获得了机构审查委员会（IRB）的批准；伦理审查的完整细节在脚注中提供。姿势和力模式演变（参与者1案例研究）：图5、图6和图7展示了一个代表性参与者（参与者1）的步态姿势（子图a）和力分布（子图b）的进步。在基线（第1天），该参与者表现出明显的不对称性，大部分上肢支持通过一只手臂施加（图5）。到第7天，观察到姿势对齐的部分恢复和力对称性的改善（图6）。到第15天，该参与者表现出接近对称的负载和改善的直立行走姿势（图7）。这种进步在图5、图6和图7的子图b中也清晰可见，其中图中的颜色编码线条对应于图2中提供的定义。图5. 第1天的步态模式和姿势评估：(a) 初始试验期间捕获的参与者1的基线姿势；(b) 相应的FSR信号图显示了上肢的不对称负载和不规则的力补偿，力对称指数（FSI）为0.953。图6. 第7天的步态模式和姿势评估：(a) 研究中期的参与者1的姿势显示出上身对齐的改善；(b) FSR轨迹显示了改善的对称性，FSI为0.752。图7. 第15天的步态模式和姿势评估：(a) 干预结束时的参与者1的姿势，直立姿态明显改善；(b) 力分布显示出接近对称的模式，FSR信号形态一致，FSI为0.153。参与者1的纵向FSR电阻值显示在图8a中。在整个治疗过程中，两个传感器的电阻值逐渐趋同，表明上肢支持逐渐重新分布。基线时：，表明严重的不对称性。干预后：，表示参与者1的力不对称性减少了83.9%。干预期间FSI值的时间演变显示在图8b中，表明不对称性持续下降，证实了振动触觉反馈机制的有效性。补充图S7展示了每日姿势的进步，突出了向平衡手臂力量应用的转变以及到第15天力对称性的显著改善，这与姿势的恢复相关。图8. 力对称性改善的定量分析。(a) 在15天康复期间，来自右（FSR1）和左（FSR2）助行器把手的纵向FSR电阻测量。两个信号的逐步趋同表明了双侧负载分布的改善。(b) 使用Robinson对称性指标计算的参与者1的力对称指数（FSI）。该指数从第1天的0.953降低到第15天的0.153，反映了负载不对称性减少了83.9%，证明了助行器辅助康复期间的有效肌肉适应。3.2 算法结果：使用GPR进行预测建模为了实现康复进展的预测监测，在15天内收集的纵向FSR电阻数据上训练了一个高斯过程回归（GPR）模型（图9）。数据集包括来自10名参与者的1200个时间序列测量值，捕捉到了康复模式的变异性。使用保留的测试集和5折交叉验证来评估模型性能。预测准确性使用决定系数（R2）和均方根误差（RMSE）进行量化。模型的R2值为FSR1的0.9604，FSR2的R2值为0.9836，RMSE值分别为0.045和0.032，表明预测值和观察值之间有很强的一致性。预测轨迹以及95%的置信区间紧密跟随观察数据，证明了可靠的不确定性量化。该模型还通过从相邻观测中插值趋势来应对缺失数据的情况。这些结果表明在收集的数据集内具有强大的预测性能，并突显了所提出框架在连续康复监测方面的潜力。图9. 基于GPR的FSR阻力趋势预测。高斯过程回归模型应用于纵向FSR数据：(a) FSR1的高斯过程回归（GPR）预测曲线显示了具有置信区间的高逼真拟合；(b) FSR2的GPR预测同样追踪了阻力趋势，并提供了平滑的概率估计，表明了对康复进展的自适应学习。3.3. 肌肉力量分析使用在助行器辅助行走过程中记录的表面肌电图（EMG）信号评估了群体层面的神经肌肉参与度。图10展示了所有参与者在15天干预期间平均EMG幅度的变化。基线时（第1天），所有受试者的平均EMG幅度为0.885 mV。到了康复计划结束时（第15天），平均EMG幅度增加到5.138 mV，反映了在助行器辅助步态中神经肌肉参与度的显著增加。因此，肌肉激活的绝对变化为ΔEMG = 4.28 mV。为了确保这些结果的准确性，在分析之前对原始EMG信号进行了几步预处理。首先使用四阶数字带通滤波器消除低频漂移和高频噪声，然后通过数字小波去噪进一步清洁信号。这些预处理步骤确保了信号的可靠性和报告的肌肉激活结果的有效性。图10. 群体层面表面EMG幅度变化：15天内所有10名受试者的平均sEMG信号幅度。平稳的增长表明神经肌肉参与度的提高，这体现在辅助步态中肌肉激活幅度的增加。比较第1天和第15天所有受试者EMG幅度的配对t检验得出t(9) = 13.58，p < 0.001，表明神经肌肉活动有统计学上的显著增加。在统计分析之前，使用直方图和Q-Q图评估了数据的分布，结果显示数据大致呈正态分布。这种视觉方法常用于初步评估分布假设[62]。此外，配对t检验对于正态分布的适度偏差具有鲁棒性，特别是对于小样本量和对称分布[63]。尽管如此，未来的研究将纳入正式的正态性检验，如Shapiro–Wilk检验，并在适当的情况下考虑非参数替代方法，以进一步提高统计严谨性。3.4. 群体层面步态对称性分析图11显示了所有受试者左右FSR之间的平均电压差异。随着时间的推移，手臂间的不对称性明显减少，这证实了助行器在促进双边协调方面的作用，并加强了来自受试者1案例研究的结果。尽管老年参与者（受试者6和7）的改善速度较慢，但所有受试者在神经肌肉参与度和负荷分布方面都显示出可测量的进步。图11. 随时间变化的肢体间力量对称性改善：15天内所有受试者FSR1和FSR2信号之间的平均电压差。下降的值表明肢体负荷模式趋于一致，补偿性不对称性减少。为了提供更全面的评估，对所有10名受试者计算了群体层面的统计数据。第1天的平均力量对称性指数（FSI）为0.9691，表明基线时存在高度的不对称性。到第15天，平均FSI降至0.2019，反映了干预期间向对称力量分布的显著改善。这相当于平均改善了79.26%，显示了整个队列中不对称性的显著减少。为了进一步说明受试者间的差异，表4展示了每位受试者的第1天FSI、第15天FSI以及百分比改善情况。此外，图12展示了所有受试者在15天期间FSI值的时间变化，突出了对干预反应的一致趋势和个体差异。在分析之前，通过直方图和Q-Q图对FSI数据分布进行了视觉检查，结果显示数据大致呈正态分布[62]。未来的分析可以正式检验正态性，以确定是否可以使用参数检验，或者在必要时考虑非参数替代方法。表4. 所有受试者第1天和第15天的力量对称性指数（FSI）值以及百分比改善。图12. 所有10名受试者在15天内力量对称指数（FSI）的变化，展示了个体趋势和对干预的反应差异。3.5. 步态变异性分析的外部数据集验证（ALS数据集）为了评估分析框架的普遍性，使用相同的MATLAB (R2025b)信号处理流程分析了肌萎缩侧索硬化症（ALS）患者的步态记录外部数据集[64]。通过峰值检测和瞬态滤波对步态周期进行分割，从而计算步态间的时间变异性。分析结果显示，ALS患者的步态时间方差显著高于健康对照组，如图13所示。这种增加的变异性与之前报道的ALS相关的皮质脊髓运动控制紊乱一致，并支持使用时间力动态作为神经肌肉不稳定性的生物标志物。尽管这个数据集与助行器硬件无关，但研究结果表明，本工作中开发的分析框架能够有效描述与神经系统疾病相关的步态变异性模式。这表明，所提出的系统最终不仅可以作为康复设备，还可以作为步态特征分析和神经运动功能障碍早期检测的平台。图13. ALS患者与对照组之间的步态时间方差：基于MATLAB步态周期分割的ALS患者与健康对照组的步态时间方差条形图。ALS组中步态时间的显著增加表明运动控制紊乱，验证了助行器在复杂神经肌肉条件下的潜力。4. 讨论尽管康复技术取得了快速进步，但仍有一些障碍限制了数字步态监测系统的广泛临床应用。一个主要挑战是监督式机器学习模型需要大量标注的数据集[22]。例如，无标记的视频基步态分析框架通常依赖于大量标记的训练数据和卷积神经网络（CNNs），这些模型可能难以泛化到非同质的训练群体之外。在几项研究中都报告了这种情况，即在受控实验室条件下训练的模型无法捕捉到现实世界步态模式的变异性。此外，许多深度学习算法的“黑箱”性质降低了临床医生的信任度，并使临床解释变得复杂，同时与医疗系统（包括电子健康记录（EHRs）、保险框架和临床工作流程的互操作性仍然有限[22,23,24]。在使用位于下背部的惯性传感器的日常生活中基于神经网络的步态识别中也观察到了类似的普遍性和模型透明性问题[65]。本文提出的SRW平台旨在通过优先考虑可解释性、多模态感知和家庭部署来解决这些限制。该系统不是仅依赖不可解释的深度学习模型，而是将可解释的信号处理与使用高斯过程回归（GPR）的概率建模结合起来。这种方法允许临床医生在保持预测不确定性的同时可视化康复轨迹。实验结果显示，在15天的干预期间，步态对称性和神经肌肉参与度有显著改善。力量对称性指数（FSI）分析显示肢体间负荷不对称性显著减少，基线时的严重不对称性在康复期结束时显著改善（受试者1的FSI从0.953降至0.153）。同时，群体层面的EMG分析显示神经肌肉激活显著增加（ΔEMG ≈ 4.28），变化具有强烈的统计显著性（配对t检验，p < 0.001）。这些发现表明，振动触觉反馈机制不仅改善了生物力学对称性，还可能在辅助行走期间刺激肌肉参与度的增加。从临床角度来看，观察到的力量对称性改善对整体步态表现有重要影响。尽管当前系统并未直接测量下肢运动学，但在助行器辅助行走过程中平衡的上肢负荷与改善的姿势控制和更对称的肢体间重量转移密切相关。先前的研究表明，不对称的负荷与步态能力受损和跌倒风险增加直接相关[18]，而针对负荷对称性的干预可以影响步态对称性和时空协调[19]。这种关系在单侧受损的个体中尤其相关，因为过度依赖某一侧会强化不适应的步态模式。通过减少力量不对称性，所提出的系统鼓励更均匀的负荷分布，可能有助于改善步态对称性、减少补偿策略和提高行走效率。这些发现支持在康复环境中将上肢力量对称性作为一个有意义且临床相关的指标。总体而言，试点研究表明，闭环多模态反馈可以促进步态对称性和神经肌肉激活的可测量功能改善。然而，必须承认几个限制。试点队列规模较小，并且包括不同的步态病理类型。需要更大规模的队列研究和分层患者群体来确认观察到的改善的统计稳健性。此外，还需要对助行器进行人体工程学改进，以适应儿童用户和高级老年人群体。最后，安全的物联网集成和与临床医疗系统的互操作性仍然是未来发展的领域。尽管存在这些限制，结果表明所提出的系统代表了结合辅助移动、生理监测和预测分析的集成康复平台的重要一步。通过进一步验证，这样的平台可能会从辅助设备演变为长期步态监测、个性化康复和神经肌肉障碍早期检测的全面工具。5. 结论本研究提出了一种智能传感器驱动的步态康复助行器，它将多模态感知、实时触觉反馈和可解释的预测建模集成在一个便携的、适合家庭使用的平台上。与仅专注于测量或提示的系统不同，所提出的框架在闭环康复架构中统一了步态评估、自适应校正和概率预测。15天的试点研究表明步态对称性和神经肌肉参与度有可量化的改善。使用Robinson对称度指标计算的力量对称性指数（FSI）从基线的0.953降至15天后的0.153，对应于肢体间负荷不对称性减少了83.9%；所有受试者的平均FSI从0.9691降至0.2019，相应地肢体间负荷不对称性减少了79.26%。同时，表面肌电图测量显示肌肉激活显著增加（ΔEMG = 4.28），统计分析确认了参与者间的显著改善（配对t检验：t(9) = 13.58，p < 0.001）。这些发现表明，助行器的触觉反馈机制有效地促进了平衡的负荷分布和辅助行走期间的增强神经肌肉参与度。高斯过程回归进一步实现了从力量传感器数据中准确且考虑不确定性的康复轨迹预测，支持个性化治疗进展。使用ALS步态记录的外部数据集验证确认了该分析框架在初始类风湿性关节炎队列之外的神经退行性步态条件下的适用性。通过结合自适应反馈、可解释人工智能和可扩展的硬件集成，所提出的SRW作为一个智能生物机电协同治疗师，能够进行测量、预测和实时康复干预。这项工作弥合了实验室级步态分析和可访问的现实世界康复技术之间的差距，为去中心化的、数据驱动的物理治疗生态系统和长期步态健康监测奠定了基础。补充材料以下支持信息可在以下网址下载：https://www.mdpi.com/article/10.3390/s26082547/s1。与研究相关的更多详细信息可以在补充材料中找到。图S1：提出的智能康复助行器的设计草图：显示前视图、侧视图和顶视图，并附有尺寸注释（单位：厘米）。该布局展示了人体工程学规划和空间分配；图S2：嵌入式智能康复助行器的标注模块组装：标记了集成电子和传感子系统的组成：(1) LCD显示屏，(2) EMG传感器，(3) 三轴加速度计，(4) 微控制器的9V电池，(5) 双FSR，(6) Arduino Mega板，(7) Bluetooth模块，(8) 表面EMG电极，以及(9) 12V动力电源供触觉电机使用；图S3：sEMG电极放置和信号采集设置：电极放置在二头肌上以监测上肢肌肉参与度。参考电极按照SENIAM指南放置在肱骨外上髁附近，以优化信号质量；图S4：通过蓝牙（无线监控接口）在串行显示器上显示的系统输出；图S5：在黑暗环境条件下点亮辅助模块的示意图，展示了其在能见度低环境中的实用性；图S6：15天内受试者1的步态姿势时间变化：记录了15天研究期间受试者1每日行走会话中的姿势，证明了步态对称性和姿势对齐的逐步改善。