《Sensors》：IMU- and Vision-Based Measurement Techniques for Joint Kinematics: A Narrative Review
准确评估关节运动学是生物力学、康复和运动科学的基础。尽管光学运动捕捉（OMC）仍是实验室生物力学验证的参考标准，但其成本、基础设施要求以及在受控环境外有限的适用性限制了其更广泛的应用。可穿戴惯性测量单元（IMU）和基于视觉的无标记系统因此作为互补替代方案出现，提供了便携性、减少受试者准备时间以及在生态场景中的适用性。然而，其快速发展并非总是伴随着对性能同样严格的计量学解释。本叙述性综述对基于IMU和基于视觉的关节运动学估计方法进行了比较分析，重点关注生物力学验证指标和测量误差。由于原始文献在差异很大的实验条件下报告了根本不同的量，证据按结果类别、关节、运动平面、任务和采集维度进行分层呈现，不同结果类别的值不进行合并。对于健康成人平地行走期间的矢状面下肢角度，在仔细的传感器-节段校准和光电参考下，基于IMU的系统表现出最一致的性能，均方根误差（RMSE）通常在3°至6°之间。基于视觉的系统在选定的结果上达到可比的精度，特别是在受控视角下的时空步态参数和矢状面角度，而在遮挡、运动模糊和深度模糊时精度下降。因此，精度并非传感模态的内在属性，而是整个测量链的属性，包括校准、生物力学建模、采集几何和报告惯例。与其仅根据精度对技术进行排名，不如根据预期应用推导出测量要求。
1. 引言
准确评估关节运动学是生物力学、康复、工效学和运动科学的基础，因为具有临床意义的解释通常依赖于关节角度轨迹、运动范围、协调模式和肢体间不对称性中的相对较小差异。在验证研究中，基于标记的光电运动捕捉（OMC）通常被用作基准测试替代测量系统的实验室参考标准 [1]。然而，OMC导出的运动学并非无误差。相机校准、重建不确定性、标记放置、滤波选择和缺失标记处理都可能影响重建轨迹，并传播到节段位姿和关节角度估计中 [1,2]。因此，对于新兴技术，关键问题并非它们是否“匹配”OMC，而是在哪些生物力学定义、采集协议和建模假设下，可以以临床有意义的方式期望、再现和解释一致性。
在扩展人类运动分析可及性的技术中，两个家族显得尤为重要：可穿戴惯性测量单元（IMU）和基于视觉的无标记系统。基于IMU的系统具有吸引力，因为它们便携、成本相对较低，并且可在专用实验室之外部署，从而能够在诊所、家庭、工作场所、运动环境和其他真实世界场景中进行运动评估。其日益增长的采用得到了大量文献的支持，这些文献表明其有效性和可靠性强烈依赖于所研究的关节、运动平面、附着程序和实验协议 [3,4,5,6,7,8]。同时，IMU导出的关节运动学本质上是间接的：关节角度通过多步骤流程推断，包括姿态估计、传感器-节段对齐和生物力学建模，通常带有逆运动学约束。在此链条中，传感器-节段校准仍然是系统偏移和运动范围失真的主要来源，并且是结果通常难以跨研究比较的主要原因之一 [9,10,11]。
基于视觉的无标记系统遵循根本不同的逻辑。它们不是通过身体佩戴的传感器推断运动，而是直接从视频中估计人体姿态，无需物理标记。深度学习的最新进展已显著改善了2D和3D姿态估计，使得从单目视频分析到多视图3D重建及下游肌肉骨骼建模的无标记工作流程成为可能 [12,13,14,15]。这些方法减少了受试者准备时间，提供非接触测量，并且即使在受限环境中也能快速部署。然而，其精度仍然高度依赖于采集和场景条件，包括视角、图像分辨率、光照、运动模糊、遮挡以及将图像导出的关键点转换为解剖学有意义的节段框架和关节角度的策略 [12,15,16]。
两个技术家族已有大量综述可用。在IMU方面，先前的工作主要关注步态有效性和可靠性、传感器-节段校准或特定解剖区域如上肢。在视觉方面，大多数综述集中于2D/3D姿态估计算法、无标记运动捕捉流程或特定应用领域如步态、康复或运动。这些贡献非常有价值，但通常针对模态、应用或主要面向算法。因此，文献仍缺乏关于IMU和基于视觉系统在相同计量学框架内如何比较的充分整合讨论，即在关节定义、建模假设、验证指标和测量误差的主要来源方面 [12]。
这一差距日益相关，因为IMU和无标记系统现在用于部分重叠的场景，包括康复监测、运动表现分析、工效学和实验室外评估。在此类背景下，它们的输出经常被并列讨论，尽管这两种技术在可观测性、处理流程和误差机制上存在显著差异。因此，需要一篇比较性综述，不仅总结代表性精度值，还要阐明这些值的实际含义、如何获得以及在哪些条件下它们可以被视为可比较和临床可解释。
因此，本综述对基于IMU和基于视觉的关节运动学估计方法进行了比较分析，特别强调评估指标、测量误差和方法依赖性。具体而言，本综述：(i) 总结了两种技术最常用的流程；(ii) 讨论了关节运动学在生物力学框架内如何定义；(iii) 比较了跨关节、运动平面和任务的代表性验证结果；(iv) 强调了限制跨研究可比性的主要因素，包括校准程序、坐标系定义、生物力学建模选择和报告惯例。通过将IMU和无标记方法置于共同的验证视角中，本综述旨在支持对文献的更知情解读，以及在研究和应用场景中更合理选择运动分析技术。
本文的其余部分组织如下。第2节说明了综述的范围和选择所讨论研究的标准。第3节总结了主要相关综述并阐明了这里解决的具体差距。第4节回顾了关节运动学基础的生物力学原理以及标准化坐标系定义的作用。第5节和第6节分别考察了基于IMU和基于视觉的流程。第7节讨论了最常用于评估性能的评估指标，而第8节比较了跨技术的代表性验证研究和测量误差，并阐述了剩余挑战——包括混合视觉-惯性及数据驱动解决方案的前景——以及支持它们的证据。第9节陈述了主要发现。
2. 综述范围与研究选择
2.1. 综述类型与理由
本文是一篇叙述性综述，在撰写过程中未采用PRISMA框架。本文的工作是解释性的：其目的是阐明IMU和基于视觉的关节运动学报告精度值的实际含义，以及在哪些定义、协议和建模假设下它们可以进行比较。研究在采用的参考系统、应用的解剖坐标系和关节角度约定、校准程序、所检查的任务和人群以及采集维度（2D投影 vs. 3D重建）方面存在差异。鉴于这种程度的方法学异质性，在缺乏广泛背景解释的情况下提供汇总结果在计量学上无意义。
该领域个别部分已有若干严格的系统综述，并在第3节中讨论。本文旨在做出补充性贡献：将两个技术家族置于单一计量学参考框架中，而非重新推导其合并性能。
2.2. 文献识别
相关文献通过Scopus、Web of Science、PubMed和IEEE Xplore的检索识别，辅以Google Scholar以及从第3节讨论的综述中进行的前向和后向引文追踪。检索将描述测量技术（惯性测量单元、IMU、MIMU、可穿戴传感器、无标记、姿态估计、计算机视觉、基于视频的运动捕捉）的术语与描述被测物及其评估（关节运动学、关节角度、步态分析、有效性、可靠性、精度、验证、光电、运动捕捉）的术语相结合。仅考虑同行评审的英文全文出版物，未设置较低日期限制。
文章选择由作者根据主题相关性和方法学信息量进行。
2.3. 纳入定量比较的研究标准
要纳入本叙述性综述，研究必须满足以下标准：
- 报告与参考系统（如基于标记的光电运动捕捉或用于时空步态参数的仪器化步道）的实验比较；
- 使用命名指标（如RMSE、MAE、RMSD、平均差、ICC、Pearson’s r）报告结果，而非定性或纯视觉比较；
- 报告针对特定关节或节段、运动平面或自由度以及任务的足够且相关的结果。
仅报告模拟或合成生成数据、无实验参考测量的研究被排除在定量比较之外，尽管在它们说明方法学发展时会进行讨论。
2.4. 数据提取与分层
对于每项保留的研究，我们记录了以下内容：
- 使用的传感器。
- 姿态重建维度（2D/3D）。
- 参考系统。
- 人群和任务。
- 评估的关节、平面或自由度。
- 评估指标。
由于这些研究中报告的指标种类繁多，发现被分别归类而非合并。在整个过程中保持四个结果类别分开：关节角度、关节中心位置、时空参数和分类性能。关节角度结果进一步按关节、平面、任务和维度进行分组。因此，我们报告的任何指示性范围均特指在声明条件下一个结果类别。
3. 相关工作
本节探讨IMU和视频方法学的当前状态，重点介绍解决人类运动学测量特定方面的关键综述。
IMU运动学测量方法学基础是若干综述的重点。Weygers等人（2020）[17]进行了系统综述，涉及基于惯性传感器的下肢关节运动学，重点关注临床适用性的方法学要求和未来研究方向。Pacher等人（2020）[9]系统回顾了对使用惯性传感器进行准确下肢运动学分析至关重要的传感器-节段校准方法。这些综述强调了IMU评估中方法学严谨性对确保临床相关性和指导进一步研究的重要性。Fang等人（2023）[11]系统回顾了IMU数据转换为关节角度的方法，特别是上肢，解决了将IMU应用于上肢运动分析的关键挑战。超越运动学，Lee和Lee（2022）[18]对使用惯性运动捕捉系统估计关节动力学进行了系统综述，强调了除运动学外动力学分析日益增长的重要性。Ghattas和Jarvis（2024）[19]提供了IMU追踪人体运动有效性的系统综述，对IMU测量精度提供了广泛视角。此外，Kobsar等人（2020）[3]对健康成人步行中可穿戴惯性传感器的有效性和可靠性进行了系统综述和荟萃分析，而Zeng等人（2022）[20]关注IMU测量跑步时下肢运动学的有效性和可靠性，发现时空结果一致性极好，但关节角度差异相当大。Schall等人（2022）[21]简要概述了用于客观运动学评估的可穿戴惯性传感器，总结了其在各种场景中的实用性。
IMU技术也应用于特定场景和人群。Kranzinger等人（2023）[22]探讨了运动中使用IMU对人体运动数据进行分类的方法，提供了关于IMU如何用于分析和分类运动动作的见解。Rana和Mittal（2021）[23]回顾了用于运动实时运动学分析的可穿戴传感器，重点介绍了这些传感器如何为性能提升提供反馈。Gu等人（2023）[24]回顾了康复中的基于IMU的运动捕捉系统，探索了系统设计、应用和未来发展。Prill等人（2021）[25]专门针对膝关节康复，系统回顾了可穿戴运动传感器的诊断准确性和临床应用。Weizman等人（2022）[26]介绍了可穿戴IMU传感器在痉挛人群中的使用现状，强调了IMU在评估和管理该病症中的临床效用。Zampogna等人（2020）[27]回顾了十五年来用于神经系统疾病平衡评估的无线传感器，展示了IMU在评估神经系统疾病患者中的临床实用性。Digo等人（2022）[28]介绍了一篇关于工业场景中用于人体运动追踪的可穿戴惯性传感器的叙述性综述，重点介绍了IMU在增强人机交互和工人安全中的作用。Salisu等人（2023）[29]回顾了用于工效学的运动捕捉技术（包括IMU）及其在评估和改善工作条件中的应用。Bo等人（2022）[30]回顾了基于IMU的监测在健康物联网（IoHT）中辅助诊断和管理中的应用，强调了IMU在远程健康监测和管理中的潜力。Ashry等人（2024）[31]回顾了应用于使用IMU数据的人类活动识别的迁移学习方法，展示了先进的分析技术。
另一方面，通过视频系统进行人体运动和姿态估计的分析近年来经历了显著发展，催生了跨各领域的广泛应用。视频系统的一个基础研究领域是人类活动识别（HAR），涉及从一系列观测中识别活动；Ke等人（2013）[32]和Zhang等人（2019）[33]的综述对此进行了全面探讨，Ke等人（2013）[32]详细介绍了对视频监控、医疗保健和人机交互等应用至关重要的活动识别，而Zhang等人（2019）[33]概述了HAR方法的演变，从全局到局部和基于深度表示的发展，以及分类方法，包括基于模板、判别和生成模型。Al-Faris等人（2020）[34]也贡献了对人类动作识别的理解，回顾了从手工特征表示到深度学习技术的基于计算机视觉的方法。
与这些进展并行，人体姿态估计取得了重大进展。Dang等人（2019）[35]调查了基于深度学习的2D人体姿态估计方法，强调了深度学习对提升姿态估计性能的重大影响。Munea等人（2020）[36]也提出了应用于2D人体姿态估计的模型调查和分类，这是动作识别和人机交互等任务的关键组件。Chen等人（2022）[13]总结了2D人体姿态估计的最新成果，重点关注网络架构设计、训练优化和后处理技术。Zheng等人（2023）[14]回顾了基于深度学习的2D和3D姿态估计解决方案，基于输入数据和推理过程分析并比较了方法，并解决了数据不足和遮挡等挑战。Desmarais等人（2021）[12]回顾了用于无标记运动捕捉的3D人体姿态估计算法，重点关注指标、基准和方法结构，并基于精度、速度和鲁棒性提出了分类法。Neupane等人（2024）[37]贡献了关于深度3D人体姿态估计的综述，回顾了包括卷积神经网络、图卷积网络、Transformer及其组合在内的当代策略。
此外，Colyer等人（2018）[38]回顾了基于视觉运动分析的更广泛演变，追踪了其从手动技术到无标记系统的发展历程，由对高效且侵入性更小的运动学数据收集方法日益增长的需求驱动。表1按时间顺序和技术家族排列了这些先前综述，总结了每个综述的关键主题和主要发现。
这些发展使得基于视频的运动分析能够应用于几个不同领域。例如，Simor等人（2016）[41]探索了基于手势游戏的可达性评估方法，强调了手势交互系统在促进身心健康方面日益增长的重要性。在体育领域，Mooney等人（2015）[40]展示了基于视频方法在竞技游泳分析中的应用，强调了该技术提取关键性能指标的能力。Badiola-Bengoa和Mendez-Zorrilla（2021）[43]专门回顾了体育和锻炼中的基于相机的人体姿态估计，展示了其在该领域的日益应用。此外，Muro-de-la-Herran等人（2014）[39]提供了步态分析方法的概述，比较了临床背景下的可穿戴和非可穿戴系统，而Parks等人（2019）[42]通过评估低成本基于视频运动分析选项与金标准3D生物力学方法的有效性和可靠性，专门评估了其在临床康复中的潜力。Amsaprabhaa等人（2021）[44]调查了RGB视频中运动学步态分析的时空框架，重点关注时空特征和运动学关节点。Vun等人（2024）[48]回顾了神经退行性疾病背景下用于步态分析的基于视觉的运动捕捉，考察了这些系统用于早期检测和监测的潜力。Rybnikar等人（2022）[46]回顾了用于工效学评估的运动捕捉技术，解决了手动活动中的肌肉骨骼疾病风险。Sardari等人（2023）[47]回顾了用于基于骨架的物理康复动作评估的AI技术，强调了基于视觉传感器在家庭康复中的作用。Huamanchahua等人（2022）[45]提供了使用Kinect的人体电影捕捉和运动系统的回顾。
总的来说，这些综述强调了IMU和基于视频运动分析的持续进步、其应用范围的扩大以及创建更先进实用系统的持续努力。
4. 人体关节运动学的一般原则和建议
4.1. 引言
人体关节运动学描述相邻身体节段之间的相对运动。在一般生物力学框架内，瞬时关节配置可由表示平移的位置向量和表示旋转的姿态矩阵表示。两者共同提供节段间运动的完整六自由度（6-DOF）描述，包括三个平移和三个旋转分量。
为使这些测量有意义且可重复，必须满足两个方法学前提：(i) 解剖坐标系（ACS）的定义和(ii) 采用一致约定将关节姿态分解为临床可解释的角度。解剖坐标系根据可触及的骨性标志定义，使得节段级参考框架可跨受试者、会话和实验室复制。然后，关节旋转通常使用Cardan/Euler序列表示，其中远端节段相对于近端节段的姿态被分解为三个有序旋转，通常与屈/伸、外展/内收和内外旋相关。
然而，不同的分解约定，如Cardan角、几何方法或姿态向量在解剖平面上的投影，可能对同一物理运动产生不同的数值，特别是对于矢状面之外的旋转。这种方法学变异性长期以来被认为是跨研究可比性和临床解释的主要障碍。
这些约定对于本综述中回顾的技术至关重要。基于IMU和基于视觉的系统都必须将其原生输出映射到解剖定义的坐标系上，然后才能计算关节角度。在基于IMU的流程中，这种映射通过传感器-节段（S2S）校准实现，该校准估计传感器技术框架与下方身体节段解剖框架之间的旋转 [9,10]。在基于视觉的系统中，图像导出的关键点必须转换为节段级解剖框架，通常通过标记增强模型或肌肉骨骼逆运动学 [15,16]。在两种情况下，解剖框架定义的不一致是系统误差和跨研究分歧的主要来源 [10]。
为解决这些问题，国际生物力学学会（ISB）基于Grood和Suntay（1983）[49]引入的关节坐标系（JCS）提出了报告关节运动学的标准化建议。JCS框架最初为膝关节开发，随后通过两份里程碑式出版物扩展到其他关节：第一份涵盖踝关节、髋关节和脊柱，第二份涵盖肩关节、肘关节、腕关节和手部。最近，为响应可穿戴传感的快速扩展，ISB发布了关于使用惯性测量技术获得的关节运动学的定义、估计和报告的专用建议，明确关注IMU工作流程中的坐标系定义、校准、传感器融合和质量评估 [10]。
以下小节总结了主要人体关节的ISB解剖定义。对于每个关节，我们强调了在使用IMU或基于视觉技术实现这些定义时出现的特定测量挑战，因为这些挑战直接影响第5、6和8节中报告的精度值。所选关节根据两个标准选择：(i) 它们与临床和生物力学实践的相关性，因为它们是步态分析、康复、运动科学和工效学中最常分析的关节之一，以及(ii) 正式ISB JCS定义的可用性。因此，选择包括下肢（踝关节、膝关节、髋关节）、上肢（肩关节、肘关节、腕关节和手部）以及躯干（脊柱）。其他具有ISB定义的关节，如颞下颌关节，未包括在内，因为它们不在本综述的主要范围之内。表2提供了ISB JCS定义和相关技术特定测量挑战的概要概述。
4.2. 解剖定义
4.2.1. 踝关节复合体
踝关节复合体包括距小腿关节和距下关节。在ISB框架中，坐标系由解剖标志定义，包括内踝、外踝和胫骨参考点。关节运动主要描述为背屈/跖屈、内翻/外翻和内外旋。
技术特定挑战
踝关节被广泛认为是使用IMU和基于视觉方法最难准确评估的关节之一。对于IMU系统，内翻/外翻和内外旋的较小幅度，加上足部和胫骨上的软组织伪影，使得估计对S2S校准误差高度敏感。下肢IMU研究一致报告校准选择显著影响精度和可重复性，特别是在矢状面之外 [50,51]。对于基于视觉的系统，踝关节估计进一步受到来自鞋类的遮挡、远端足部节段相对于图像分辨率的小尺寸以及远端下肢关键点检测鲁棒性有限（特别是在单目或低分辨率设置中）的复杂化 [16,52]。
4.2.2. 膝关节
在ISB JCS中，膝关节被建模为改良铰链关节，以屈/伸作为主要旋转自由度。股骨坐标系使用内上髁和外上髁定义，而胫骨坐标系依赖于胫骨结节和踝轴等标志。除屈/伸外，JCS还包括次要旋转：内翻/外翻和内外旋，以及平移分量。
技术特定挑战
膝关节屈/伸是IMU和基于视觉技术都能最准确估计的自由度之一，因其矢状面活动范围大且关节具有相对受限的铰链状解剖结构。相比之下，次要旋转自由度难以可靠估计。其小幅度使其易受IMU流程中S2S未对准引起的串扰以及单目视觉系统中深度模糊的影响。这些次要旋转对于评估韧带松弛、前交叉韧带损伤风险和术后结果在临床上很重要，但在常规应用中仍处于当前可穿戴和无标记系统能够稳健测量的极限附近 [51,52,53,54,55,56]。
4.2.3. 髋关节
对于髋关节，ISB JCS使用解剖标志如髂前上棘（ASIS）和股骨上髁定义骨盆和股骨坐标系。髋关节运动描述为屈/伸、外展/内收和内外旋。一个关键方法学方面是髋关节中心的估计，通常使用功能方法进行。
技术特定挑战
髋关节对两种技术都提出了独特挑战。在基于IMU的系统中，内外旋对无磁力计配置中的航向漂移特别敏感，并且骨盆节段难以可靠地安装，因为解剖框架必须从置于软组织上的传感器推断，而非直接由双侧骨盆标志 [10,53]。在基于视觉的系统中，髋关节估计由于骨盆频繁遮挡以及仅从外部可见标志推断解剖髋关节中心的困难而复杂化。丰富稀疏关键点或结合肌肉骨骼建模的无标记流程倾向于改善这些估计，特别是对于骨盆和髋关节相关运动学 [15,16]。
4.2.4. 脊柱
在ISB框架中，脊柱运动学涉及相邻椎骨节段之间的相对运动。运动可描述为屈/伸、轴向旋转和侧弯，以及平移分量，但由于贡献节段众多，实际测量通常需要大幅简化。
技术特定挑战
脊柱运动学本质上比单关节运动学更复杂，因为整体躯干运动反映了许多椎间节段的累积贡献。在实践中，IMU和基于视觉系统通常提供躯干或腰部级近似，而非真正的椎间运动，这限制了在节段特定运动具有临床相关性的情况下的解释。基于视觉的系统面临额外挑战，因为后躯干标志在功能任务中经常被衣物、椅子、靠背或受试者自身上肢遮挡。IMU系统可以很好地捕捉全局躯干姿态，但逐节段脊柱估计的有效性仍然有限且强烈依赖于协议 [10]。
4.2.5. 肩关节
肩关节复合体包括盂肱关节、肩锁关节、胸锁关节和肩胛胸壁关节，并提供任何主要人体关节中最大的运动范围。ISB建议使用这些节段上的解剖标志定义锁骨、肩胛骨、肱骨和胸廓的局部坐标系。主要旋转分量包括屈/伸、外展/内收和内外旋，而肩胛骨运动如上/下旋和前/后倾也被认为对肩关节功能至关重要。
技术特定挑战
肩关节可以说是IMU和基于视觉估计中最有问题的关节复合体。在IMU系统中，肩胛骨周围强烈的软组织伪影和肩带的多关节性质使得S2S校准特别具有挑战性。系统综述证据表明，精度在不同关节和计算方法之间差异很大，肩胛胸壁和盂肱估计通常比更简单的铰链状上肢运动更困难 [11]。此外，ISB推荐的一些肩关节运动分解可能接近奇异配置，这在特定姿势附近使解释复杂化。对于基于视觉的系统，肩胛骨无法从外部关键点直接观察，并且在过头或交叉身体运动期间由于躯干和上臂重叠而发生频繁的自遮挡。
4.2.6. 肘关节
肱尺关节通常建模为铰链关节，以屈/伸作为主要自由度，而前臂旋前/旋后与近端和远端桡尺关节相关。前臂坐标系使用解剖标志如尺骨茎突和桡骨茎突定义。
技术特定挑战
肘关节屈/伸通常由IMU和基于视觉方法以相对较好的精度估计。然而，旋前/旋后更具问题性。在IMU系统中，绕前臂纵轴的旋转对传感器未对准和软组织运动敏感，而在基于视觉的系统中，旋前/旋后仅产生前臂外部轮廓的有限变化，因此难以仅从图像数据可靠推断。最近的无标记肌肉骨骼评估也表明，肘关节运动学可能比下肢估计精度低得多，特别是当建模流程依赖于稀疏或视觉模糊的上肢标志时 [11,57]。
4.2.7. 手和腕
ISB JCS用于腕和手描述了桡骨、尺骨、腕骨结构和掌骨之间的相对运动。腕关节运动通常以屈/伸和桡/尺偏描述，使用中立姿势和解剖定义的轴作为角度描述的参考。
技术特定挑战
手和腕运动学对于IMU和基于视觉方法仍是一个新兴前沿。手部节段的小尺寸使得多传感器IMU仪器对于精细手指级分析而言笨重，尽管腕戴式IMU可以有效捕捉整体腕关节运动。基于视觉的方法在手指运动学方面显示出更大潜力，但其性能在抓握和物体操作期间受到自遮挡的强烈影响。近期视频手指追踪的验证研究证实，精度依赖于任务，并在严重重叠或单个手指可见性差的配置中下降 [58]。
5. 运动分析中的基于IMU的系统
对于许多人体运动应用，惯性运动分析已成为实验室光电运动捕捉系统的可靠且经济有效的替代方案。可穿戴IMU/MIMU系统便携、相对便宜，并且无需专用捕捉空间即可部署，支持在诊所、家庭和真实世界环境中进行评估。这些设置提供比典型光电系统更大的工作空间和更长的观察窗口 [5,6,8,59,60,61,62]。
同时，基于IMU的系统容易受到几个技术挑战的影响：传感器漂移、跨会话IMU放置的变异性、软组织伪影（STA）以及使用磁力计时的磁干扰。这些因素可能破坏航向估计并传播到关节角度误差中 [10,60]。这些限制是惯性技术固有的，并影响实验室和现场设置中的精度。
具体关于漂移，定义为微小测量偏差的累积，导致信号随时间积分时误差增大，即使是小的姿态误差也可能在运动学进一步微分或积分（例如，获得角速度、线速度或位移）时转化为大的不准确性。这是一个关键问题，因为许多临床问题由会话间变化驱动，而非单次会话与光学参考的绝对一致性 [10,60]。
因此，基于IMU系统的精度应相对于整个测量链考虑，而非传感器硬件的固有属性。该链包括：
- 坐标定义和生物力学模型。
- 校准程序。
- 传感器融合和姿态估计。
- 滤波选择和报告惯例。
所有这些元素都实质性影响最终被称为“准确”的内容 [10]。国际生物力学学会（ISB）的最新建议明确强调，定义和报告标准化不足可能损害可解释性和可重复性。这促使了涵盖校准、实验协议、模型定义、运动学计算和质量评估的结构化指导 [9,10]。整体处理流程总结于图1，以下小节依次考察其每个阶段。
5.1. 传感器融合与姿态估计
IMU流程中的第一个计算步骤是姿态估计：将原始加速度计、陀螺仪和（可选）磁力计信号转换为传感器在全局参考框架中的姿态。陀螺仪数据提供高频角速度，可积分获得姿态，但此积分随时间累积漂移——这是IMU运动分析中的主要技术挑战。加速度计测量重力和线性加速度之和，在准静态条件下提供重力方向的无漂移估计（因此提供倾斜度，即横滚角和俯仰角）。磁力计提供相对于地球磁场的航向（偏航）信息，但易受建筑材料、医疗设备和电子设备产生的铁磁干扰 [10]。
传感器融合算法（SFA）结合来自这些互补传感器的信息以估计姿态，同时减轻每种模态的弱点。根据Nazarahari和Rouhani（2021）[63]的分类法，他们调查了跨越四十年研究的250多篇出版物，SFA可分为五类：
- 互补滤波器（CF）在频域中组合低通滤波的加速度计/磁力计数据（稳定但有噪声）和高通滤波的陀螺仪数据（精确但漂移）。广泛采用的Madgwick梯度下降滤波器 [64] 和Mahony滤波器 [65] 属于此类。CF计算效率高，非常适合实时嵌入式应用。
- 扩展卡尔曼滤波器（EKF）通过使用陀螺仪数据的非线性过程模型传播状态估计（姿态，通常参数化为四元数），然后用加速度计和磁力计观测值进行校正。EKF仍然是生物力学文献中最常被引用的SFA [17]。
- 无迹卡尔曼滤波器（UKF）通过使用sigma点采样解决EKF的线性化限制，在增加计算成本的情况下提供高动态运动改进的精度 [66]。
- 互补卡尔曼滤波器（CKF）是结合互补滤波和卡尔曼估计框架优势的混合方法 [67]。
- 基于优化的方法通过最小化联合考虑陀螺仪积分和重力/磁场观测的成本函数来求解姿态，通常以批处理或滑动窗口方式进行 [68]。
一个关键实验发现是，参数调整比算法选择更重要。Caruso等人（2021）[69]在跨三个商用MIMU设备的10种算法基准测试中发现，在最佳调整下姿态误差范围为 至 ，但注意到原始算法论文中报告的误差（~）比独立比较研究中获得的误差低十倍。Cereatti等人（2024）[10]有力地说明了这一点，展示了Madgwick滤波器的单个调整参数（）如何显著改变膝关节屈伸波形： （仅陀螺仪，最大漂移）与 （推荐平衡）产生明显不同的运动学曲线。
一个日益重要的趋势是无磁力计算法的发展。室内临床环境、医疗设备附近或户外活动靠近金属结构时的磁干扰可能导致偏航角误差超过 。仅依赖加速度计和陀螺仪数据的算法（6-DOF融合）完全避免了此问题。著名例子包括VQF算法 [70]，其在无磁力计输入下实现肘关节屈伸RMSE约 。Al Borno等人（2022）[71]证明，当施加生物力学模型约束时，即使大的磁航向误差也不会显著降低膝关节屈曲角度精度，支持了无磁力计临床流程的可行性。
5.2. 传感器-节段校准
在此链条中，最重要且通常占主导地位的误差来源之一是传感器技术坐标系与下方身体节段解剖坐标系之间的未对准。因此，对传感器-节段（S2S）校准有强烈研究兴趣，该校准估计绑扎传感器框架与用于计算关节运动学的节段框架之间的变换 [9,10]。S2S方法可分为四种主要类型：手动、静态、功能和解剖。
在手动校准（手动对齐）中，操作员定位每个传感器，使一个或多个传感器轴假定与目标解剖轴重合（例如，将传感器边缘与节段纵向方向对齐）。此方法快速，无需专用校准运动，可用于受试者无法可靠执行功能任务时 [9]，但依赖于操作员，存在系统性放置偏差 [9]。在临床肘关节角度与光学运动捕捉的验证中，手动对齐在三种常见校准策略（手动对齐 、功能校准 和N-pose方法 ）中产生最低的整体RMSE，使作者推荐手动对齐作为肘关节评估的实用默认方法，同时注意任务/轴依赖性和皮肤伪影的影响。
静态校准涉及通过假设一个或多个预定义姿势来估计传感器-节段变换。这些方法依赖于基于重力的对齐，其中加速度计数据用于对齐节段轴，例如，在直立姿势期间假设垂直对齐，或通过直立和仰卧姿势之间的重力向量比较建立轴 [9]。然而，受试者可能无法采用完美中立姿势；然后，残余关节角度可能非零，并且节段轴可能不与协议假定的垂直/水平方向对齐。由于挛缩、畸形、疼痛限制姿势或运动控制减弱，这些限制可能被放大 [9]。为减少校准误差，临床框架如Outwalk协议使用手动测角法来考虑仰卧IMU对齐期间的残余关节屈曲。尽管这引入了不可忽略的不确定性来源，但评估者间信度仍高，报告的RMSE在 至 范围内。
解剖校准使用可触及的骨性标志作为参考重建节段轴，将主要不确定性转移到标志识别以及外部标志几何如何映射到解剖一致参考框架（通常与ISB定义对齐） [9,10]。解剖方法在功能运动不可行时可能特别有价值，但可能需要训练有素的操作员和额外工具，限制了可扩展性；它们也可能在节段纵轴从外部标志线而非关节中心线推断时引入定义差异，相对于其他建模约定产生系统性差异 [9]。尽管有这些限制，当仔细执行时，基于标志的程序可以达到与光电参考高度一致。在基于直接识别可触及标志的上肢协议中，与基于相机的运动捕捉的验证报告肩/肘角度运动学低运动范围（ROM）偏差（<）、低RMSD（<）和非常高的波形相似性（），同时避免了主动校准运动的需要 [72]。
功能校准从任务特定运动估计解剖轴，但其精度高度依赖于一致的运动范围和最小补偿 [50]。Lebleu等人（2020）[51]证明，虽然最优校准相对于光学系统达到低误差（RMSE ）和高可重复性（ICC ），但性能在运动受限时显著下降。因此，虽然在健康受试者中有效，但它在运动缺陷的临床人群中面临可扩展性挑战。
鉴于单方法校准的局限性，越来越多地使用结合静态和功能元素的混合程序以提高鲁棒性和可行性。
5.3. 信号处理、传感器放置与附着
原始IMU信号的质量受身体上传感器放置和皮肤附着方法的强烈影响。这两个因素直接影响软组织伪影（STA）的幅度——传感器与下方骨骼之间的时变相对运动——这代表了任何算法方法无法完全消除的误差来源。
传感器放置应遵循既定指南：传感器应置于软组织覆盖最小的骨性突起上，远离关节线（以避免运动期间大的皮肤变形），以及肌肉质量低的区域 [10]。对于下肢，推荐放置包括胫骨平坦前表面（小腿）、大腿外侧在大转子和外侧髁中间，以及骶骨或后骨盆用于骨盆节段。Uhlenberg和Amft（2024）[73]使用165-DOF胸腰椎模型研究了最佳传感器配置，发现肩部关节角度RMSE比肘部小，而肩部RMSE跨研究差异巨大——从 到 ——表明放置和协议的强烈影响。
附着方法包括直接贴在皮肤上的双面胶带、弹性带、刚性框架和集成到服装中。最近一篇文献综述建议，对于涉及冲击的任务，附着应“尽可能绷紧”，避免靠近关节和软组织的区域，不应使用弹性带，并优先选择低质量设备。定量上，骨安装 vs. 皮肤安装加速度计在跑步期间显示峰值胫骨加速度差异约 ，说明了即使在受控条件下STA的幅度。对于不那么动态的运动如步行，确保传感器与身体节段之间无可检测的运动通常足够 [10]。
信号预处理通常包括原始传感器数据的低通滤波（通常为四阶Butterworth，截止频率5–20 Hz取决于活动）、陀螺仪偏置估计和去除（通常在≥10秒的静态初始化期间执行）以及由于意外碰撞或松动附着导致的无效数据段检测。滤波器参数的选择必须与所分析运动的频率内容匹配：步行步态包含显著能量至约6 Hz，而跑步和跳跃需要更高的截止频率（15–20 Hz）。
5.4. 数据驱动方法
近年来，基于机器学习（ML）和深度学习（DL）的数据驱动方法已成为从IMU数据估计关节运动学的替代范式。这些方法不遵循传统流程（传感器融合 → S2S校准 → 几何关节角度计算），而是学习从原始或最小处理的传感器信号到关节角度的直接映射，使用在同步IMU和光学运动捕捉大数据集上训练的神经网络。
该领域采用的关键架构家族如下：
- 前馈神经网络（FNN/MLP）
