《Sensors》：Personalized Detection of Functional-State Changes Through Continuous Gait Monitoring: A Methodology for Assistive-Device Users
编辑推荐：
下肢运动障碍（由神经疾病、创伤或衰老引起）显著影响个体的生活质量，限制了其自主性。康复在应对这些障碍的挑战中发挥重要作用，而早期检测个体功能状态的变化至关重要。这使得能够根据患者当前状况调整治疗，从而提升疗效。然而，这种早期检测需要专家进行持续评估，这在现有资
下肢运动障碍（由神经疾病、创伤或衰老引起）显著影响个体的生活质量，限制了其自主性。康复在应对这些障碍的挑战中发挥重要作用，而早期检测个体功能状态的变化至关重要。这使得能够根据患者当前状况调整治疗，从而提升疗效。然而，这种早期检测需要专家进行持续评估，这在现有资源有限的情况下不可行。由于步态反映了个体的身体和心理状态，对其进行连续监测及后续数据分析可作为实现上述目标的有价值工具。本研究提出了一种方法，基于连续步态监测数据，检测需要辅助设备行走的患者功能状态的显著变化。考虑到不同个体间可能存在的变异性，该方法采用个性化途径，利用单类支持向量机（OC-SVM）技术为每个个体生成个性化模型。该方法在九名具有不同模拟功能状态的健康个体中进行了验证，准确率范围在70%–97%之间。此外，研究人员还对三名脑卒中后个体进行了一年的纵向研究，以验证该方法在真实案例中的效果，平均准确率达到78%。
**论文解读：基于连续步态监测的个性化功能状态变化检测方法**
**研究背景**
下肢运动障碍（由神经疾病、创伤或衰老引起）严重影响个体的自主性和生活质量。康复训练是改善这些患者功能能力的关键，但调整治疗策略需要准确了解患者当前功能状态及其随时间的变化。然而，临床评估通常仅在孤立的时间点且在受控条件下进行，易受患者瞬时状态影响，且由于资源有限，专家难以对患者进行持续评估。步态与个体的身体和认知状态密切相关，因此连续步态监测有望成为功能评估和早期检测相关变化的有效手段。现有研究多聚焦于特定病理的步态特征统计或分类，而功能状态变化的检测尚未得到充分解决，因为需要为每个患者建立个性化正常步态模型并识别偏离基线的模式。异常检测技术（特别是机器学习方法）已被逐步研究，其中单类支持向量机（OC-SVM，One-Class Support Vector Machine）常用于建模正常步态行为并识别可能反映功能状态变化的偏差。然而，现有研究多依赖受控测试条件、需要专家监督、不支持连续监测，或未专门针对辅助设备使用者。此外，验证常在健康模拟受损者中进行，而非真实患者，缺乏在真实场景中的可行性证据。
**研究目的与意义**
为解决上述局限性，本研究提出了一种基于机器学习的个性化步态异常检测方法，利用可附着于传统助行器的传感器化尖端（sensorized tip）采集数据，旨在为辅助设备使用者提供连续功能状态监测的基础，识别可能反映临床相关功能变化的步态变化。该研究扩展了作者先前在[27]中提出的方法，克服了依赖预定义异常、手动配置和专家干预的局限，实现了无需先验知识的个性化监测和自主检测。该方法在两组场景中验证：健康参与者受控条件下的功能状态变化检测，以及脑卒中后使用辅助设备的个体进行的初步纵向概念验证。研究发表在《Sensors》期刊上，主要贡献包括：（1）个性化步态异常检测方法；（2）专为辅助设备使用者设计的非侵入性框架；（3）结合健康参与者受控测试与脑卒中后个体纵向评估的实验验证。
**关键方法概述**
本研究采用的关键技术方法包括：（1）使用传感器化尖端（集成力传感器、气压计和惯性测量单元（IMU））进行连续步态数据采集，该装置可附着于患者自身的助行器，最小化侵入性；（2）基于特征工程的数据处理，包括将信号分割为与助行器使用周期（摆动-支撑阶段）对应的分析窗口，并从加速度、角速度、前后角和侧向角等信号中提取90个统计特征；（3）采用单类支持向量机（OC-SVM）为每个个体训练个性化模型，使用径向基函数（RBF）核，通过MATLAB的ocsvm函数实现，并自动调整超参数；（4）异常检测采用逐会话窗口分类与多数投票机制，结合连续两次会话异常判定为永久性功能状态变化的规则，以减少偶然事件影响。研究样本包括：9名健康参与者（不同性别、体重、身高）在受控环境中模拟三种不同功能状态（通过足底放置3D障碍物引起不适），共进行15次测试（每种障碍物5次），生成约760个分析窗口/人；3名脑卒中后使用助行器个体（来自非营利组织Fekoor）进行为期一年的纵向研究，每周评估步态，由康复专家标注功能状态变化（暂时性或永久性），共收集约2550、1600、720个分析窗口。
**研究结果**
**5.1 健康参与者数据集结果**
通过对9名健康参与者的受控实验，方法在模拟不同功能状态下的平均准确率为82%（范围71%–96%），灵敏度、特异性和精确度指标在各参与者间存在差异。结果与先前基于可穿戴传感器的异常检测研究相当。污染分数（contamination fraction）的敏感性分析表明，采用0.03的污染分数（相比于初始0.1）在多数参与者中提升了性能，且方法在较宽范围内保持稳定，具有合理鲁棒性。
**5.2 脑卒中后个体数据集结果**
对3名脑卒中后个体的纵向概念验证显示，平均准确率为78%（范围71.4%–87.5%）。参与者1中，方法在两次真实功能状态变化（膝关节支架和新DAFO引入）的首次会话中未能检测（假阴性），但在后续会话中成功识别；同时出现8次假阳性，其中大部分为孤立异常，但两次连续异常（会话29-30和36-37）导致系统错误更新模型。参与者2仅出现一次假阴性（使用foot-up替代DAFO），多次假阳性集中在初期测试，其中会话7存在绊倒事件。参与者3仅出现两次假阳性，其余会话正确识别。结果表明，该方法在真实场景中可检测持续性功能状态变化，但对暂时性异常和标签不完整情况敏感。
**6. 讨论与结论**
讨论部分指出，健康参与者与脑卒中后个体的结果差异反映了受控实验与真实场景的挑战：健康参与者状态可清晰区分，而脑卒中后个体步态受疲劳、注意力分散等因素影响，状态过渡不明确。方法在检测持续性异常方面表现潜力，但假阳性问题需谨慎处理：系统设计仅当连续两次异常才触发模型更新，有助于减少偶然误报影响。研究局限性包括：脑卒中后样本量仅3人，结果不可推广；评估基于专家观察标注，可能遗漏细微变化；污染分数为经验选择，个体化调优可能进一步提升性能。
研究结论：本研究提出了一种基于机器学习的新方法，通过连续步态监测检测个体功能状态变化，旨在使医疗专家及时干预并调整治疗。该方法利用传感器化尖端采集数据，适用于日常使用辅助设备行走的个体。在健康参与者（平均准确率82%）和脑卒中后偏瘫个体（平均准确率78%）中进行了评估，结果初步证明了该方法在真实辅助设备使用者中的可行性和潜力。研究贡献在于引入个性化功能状态监测框架，并提供了在健康与脑卒中后个体中检测步态变化的证据。该方法有望支持早期识别功能恶化，促进更及时、个性化的临床干预。未来工作将聚焦于优化表征状态所用的测试次数和污染分数等参数。
