仿生智能与机器人3（2023）100089审查用于活动监测和运动控制的可穿戴传感器：综述Xiaoming Wanga，b，Hongliu Yub，Søren Koldc，Ole Rahbekc，Shaoping Baia，刘，1丹麦奥尔堡9220奥尔堡大学材料与生产系b上海理工大学康复工程技术研究所，上海200093c丹麦奥尔堡9220奥尔堡大学医院骨科ar t i cl e i nf o文章历史记录：2022年9月26日收到2022年12月30日修订2023年1月27日接受在线预订2023年保留字：可穿戴传感器活动监测和跟踪智能运动控制a b st ra ct目前正在设计和开发用于活动监测的可穿戴传感器，这是由医疗保健中对无创患者监测和康复训练的需求不断增长所驱动的。本文综述了用于活动监测和运动控制的最新可穿戴传感器。不同的技术，包括机电，生物电和生物力学传感器，以及它们的广泛应用。此外，概述了现有的商业可穿戴产品和运动分析的计算方法。未来的研究问题进行了确定和讨论。版权所有2023作者。由Elsevier B.V.代表山东大学出版。这是一个开放的访问CC BY许可下的文章（http://creativecommons.org/licenses/by/4.0/）。1. 介绍在过去的十年中，新的可穿戴传感器技术已经被开发用于广泛的应用。可穿戴传感器可以使患者受益，例如患有骨科或神经系统疾病的患者，可以改善诊断，治疗和个性化临床管理[1]。此外，可穿戴传感器可为患者在恢复过程中提供持续的身体活动监测和测量，例如力量训练和练习退化技能[2]。这些传感器可以安装在人体的不同部位，例如胸部，腰部和上下肢，甚至可以佩戴在口袋或鞋子中或粘附在皮肤上，以快速方便地收集感兴趣的人体运动的数据此外，传感器被集成到可穿戴设备中，如矫形器和外骨骼，适用于偏瘫患者，老年人和工人，目的是辅助控制。到目前为止，很少有文章对用于活动监测和跟踪的可穿戴设备进行了综述[3例如，Tokuçolu [6]已经审查了用于监测身体活动的可穿戴系统在医疗应用中，重点是它们在医疗保健中的应用*通讯作者。电子邮件地址：shb@mp.aau.dk（S. Bai）。[1]鉴于白少平是本期刊的客座编辑，他没有参与这篇文章的同行评审，也无法获得有关同行评审的信息。这篇文章的编辑过程的全部责任被委托给教授。吴新宇https://doi.org/10.1016/j.birob.2023.100089Khakurel等人[7]概述了可穿戴技术在工作场所的应用。然而，更少的文章关注各种技术和应用场景，例如日常活动、医疗康复和工业辅助，以及可用于这些领域的商业产品在这篇文章中，我们回顾了最先进的可穿戴传感器的活动监测和跟踪，包括技术，计算算法和应用。此外，列出了现有的商业可穿戴产品，并比较了它们的性能。2. 可穿戴传感技术多年来，已经开发了许多可穿戴传感器，并且可以按信号源分为三大类：机电传感器、生物电传感器和生物机械传感器，如图1所示。检测肢体运动并收集运动学和动力学信息的传感器包括加速度计、编码器（角度、角速度、线加速度、角加速度、倾角）、具有更多运动学数据的惯性测量单元（IMU）以及脚踏开关和压力鞋垫。检测中枢神经系统（CNS）活动的传感器可分为侵入式和非侵入式。侵入性生物电信号主要包括皮层脑电、皮层神经记录、侵入性周围神经记录和侵入性肌电图（EMG）。无创测量方法主要有表面肌电（sEMG）和表面肌电（sEMG）。2667-3797/©2023作者。由Elsevier B.V.代表山东大学出版。这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表仿生智能与机器人学期刊主页：www.elsevier.com/locate/birobX. Wang，H.Yu，S.Kold等人仿生智能与机器人3（2023）100089图1.一、 用于活动监测和跟踪的可穿戴传感器的分类。脑电图（EEG）。根据生物力学原理开发的用于检测生物力学活动（如肌肉收缩）的传感器包括力敏电阻器（FSR，非侵入式）、电容传感器和磁测显微术（侵入式）。表1列出了这些类别中传感器的概述。在下面的部分中，我们将研究每种类型2.1. 机电传感器机电传感器将人体运动转换为运动学和动力学参数。这种类型是最常用的，从医疗保健到运动医学再到支持日常活动。与表面肌电信号相比，肌电传感器具有良好的稳定性和重复性，但也存在滞后现象.此外，它们的性能容易出现机械间隙、磨损错位和其他问题，这会加剧滞后并降低性能。这种类型的典型传感器是加速度计，其已广泛用于步态分析[26，27]。例如，加速度计安装在下肢和背部，以测量行走期间的加速度[28，29]。下肢运动的相位可以通过分析获得的加速度数据来确定[30]。其他可穿戴传感器（如磁阻传感器和陀螺仪）可以与加速度计集成，以提供有关人类步态的更多信息[8陀螺仪通常用于测量下肢关节的角度和角速度[33IMU与脚踏开关和压力鞋垫的组合能够实现更准确的步态检测，并采用更复杂的算法[36，37]。Yang等人[38]提出了一种基于三个IMU传感器和两个脚踏开关的自适应步态相位检测模型，用于监测不稳定行走和各种活动（例如，步行、跑步、上下楼梯、下蹲）。他们的结果表明，所提出的步态检测模型在测量活动中的准确率达到99.0%。Su等人。[39]提出了一种深度卷积神经网络（CNN）模型，根据IMU和脚踏开关信息对五个步态阶段进行分类。在步态相位识别，他们的模型显示出97%的准确率22.2. 生物电传感器生物电传感器检测神经细胞的电位。信号经过过滤和放大后进行解释CNS活动。侵入式传感器是直接植入神经信息源的电极（例如，皮层神经元记录，EMG）或神经信号通路（例如，侵入性周围神经记录）。有创电极提供的信号比无创电极更准确可靠。已经进行了许多使用侵入性神经传感器的临床研究，并取得了可喜的结果[40]。例如，Raspopovic等人[41]提出了一种基于植入神经接口的活动监测系统，该系统将感觉反馈集成到感觉运动回路中。该系统可以提高穿戴者在动态任务中的机动性、敏捷性和防跌倒能力。然而，目前的侵入性神经传感技术可能会对人体造成直接的物理伤害和一些未知的风险，因此需要更多的开发和临床研究。在非侵入性神经传感器中，在实验室设置和测试中常见的EEG帽很容易受到干扰，特别是在行走过程中[42大脑皮层的神经元脉冲信号经过颅骨和头皮后会产生自然的畸变。由于现有的方法都不完整或不通用，因此头皮EEG的干扰检测和去除方法仍然是一个活跃的研究领域。sEMG传感器是用于活动监测的最常用的神经 表面肌电信号传感器覆盖特定于运动过程中发生的肌肉活动的表面，如图所示。二、表面肌电信号具有时延小、保真度高、测量方便等优点虽然一些研究已经在步态检测中采用了sEMG传感器[15-20，45 -47 ]，但一般来说，基于EMG的系统不太常用于此目的，因为它们的基于SVM的一个模型获得了良好的结果，在检测摆动和站立阶段时具有96%的准确性[48]。Replike等人[49]比较了三种不同的分类方法-K-最近邻（KNN），CNN和当使用CNN（91.9%）而不是SVM（67.6%）或KNN（48.7%）时，步态期间正常和异常EMG模式的自动分类是可能的，具有高准确性Joshi等人[50]建议参与者参与者外骨骼估计手表1用于活动监测和控制的可穿戴传感器概述传感器类别特征传感器类型示例作者[参考]集成系统特殊短裤用户组测试类型位置数据算法注释Kreil等人[八]《中国日报》用于FSR的集成健康参与者健康加速度;角速度阈值算法机器学习FSR可以提供运动传感器模型的识别率为Liu等人[9] N实验室惯性传感器前束角速度（ML）/隐马尔可夫模型（HMM）91.88%，尽管年龄，身高和体重运动学和IMU、编码器（角度、角速度、陈伟 等.[10] NHealthy健康7 足 底 位置;脚背64足底加速度;足底压力加速度;角速度;ML/支持向量机ML/SVM/K-该方法可以成功地对步态的相位进行分类，准确率约为94%验证ML方法，特别是机电信号动力学数据高稳定性，高重复性，但高线加速度、角加速度、倾斜角）、力传感器（接地波特卢里 等[11] N实验室IMU小腿磁场足底压力均值/ANN人工神经网络在步态相位检测中表现良好，具有较高的精度该方法对步态相位检测的准确率为81.43%，滞后相互作用力，关节扭矩）Rattanasak等人[12]健康参与者患者足底力传感器3轴加速度计，5个足底位置头，躯干，骨盆，上部足底压力ML/KNN10关节角在6 km/hPCA分析在试验中进行比较，拉希米 等[13] N低-帕金森疾病（PD）家3轴陀螺仪手臂手腕大腿，小腿velocities速度，48关节角度PCA行走任务表明，试验间变异性与测力板相比Ding等人[14个]四肢外骨骼机器人健康参与者加速度;角速度平均步长、平均步速;单腿阈值算法脚尖离地和脚跟着地检测的时间误差分别为-10和19 ms检测CNS系统活动Tsurushima等人[15] Kawamoto et al.[16、17]一种混合式助肢机器人外骨骼服下肢脑卒中患者患者实验室EMG、角度传感器、IMU、足底压力传感器单通道髋关节，足底薄肌肌电图支持时间;最长步行距离6分钟; Berg平衡量表评分平均比例控制连续患者进行了更自然的行走，步长比他的更正常行走特征选择算法显著生物电信号延时小，保真度高，易分配，但稳定性EMG、sEMG、EEG传感器Gupta等人[18个国家]假体截肢实验室EMGFL，BFEMG：薄识别精度地形识别方法与PCA技术Chen等人[19，20]膝-踝-足机器人下肢脑卒中患者健康实验室EMG、编码器、力传感器、IMU和柄部肌肉，IMU：腰部、大腿、小腿和足部EMG：薄角速度、角度和肌肉激活隐马尔可夫模型格律学习如EMG信号所示，腿部主要肌肉的激活水平降低，并且在测试步态相位模型Liu等人[21日]外骨骼实验室EMG传感器和小腿肌肉操纵基于时间卷积网络KNN（均值和方差均为识别率为96.22%，优于LSTM对于所有分类器，生物力学从肌肉感知生理FSR（无创）电容传感器，Ogris等人[22] NHealthy工厂工人、老年人或前臂肌肉手臂手势识别用作特征，窗口大小为30，步长为15）FSR系统位于加速度计和陀螺仪之间绝对误差的平均值变化信号收缩侵入性传感器需要相关手术磁测显微术（侵入性）伊斯兰教 [23，24]第二十三话人弱肌力量人实验室FSR波段上臂有效载荷肌电定量比较SVM比例0.14 kg至0.37 kg，平均值相对误差值为0.07 ~ 0.17r评分为0.9286（p值0.0001）。所有参与者均报告没有[25]第25话上肢截肢刚性FSR圆顶前臂肌肉与FMG（Pearson假手控制之间的明显差异假肢的EMG-LE控制和FSR控制X. Wang，H. Yu，S. Kold等人仿生智能与机器人3（2023）100089Lab FSR踝关节3实验室IMUN实验实验室IMU脚背实验室FSR实验X. Wang，H. Yu，S. Kold等人仿生智能与机器人3（2023）1000894图二. 利用表面肌电信号进行步态检测。图3. 用于运动意图检测的磁显微术。（a）在经胫骨假体中的应用（b）对鸟类的实验验证[51]。线性判别分析控制系统，可以通过用户脚下的八个EMG电极识别八个步态相位。由于传感器与皮肤之间的湿度敏感性以及数据采集和处理的复杂性，基于肌电信号的方法并不流行。2.3. 生物力学传感器近年来，已经尝试使用生物力学传感器，例如伴随运动过程的肌肉收缩信息，来检测人体运动并识别运动意图[51生物力学传感器已经使用生物力学原理开发，以检测肌肉和骨骼系统的变化或变形。这种类型的传感器可以更有效地检测人体运动。Taylor等人[53，54]提出了一种传感方法，即磁测显微法（如图10所示）。3），其根据植入的磁珠的相对位置无线地跟踪组织长度的变化。他们的工作表明，可以实现对动物肌肉的快速准确测量。Es- posito等人[25]提出了一种非侵入性FSR，可以感知底层收缩肌肉施加的机械力。肌肉同步记录显示FSR输出与EMG线性包络之间具有高度相关性。3. 可穿戴传感器应用3.1. 日常活动可穿戴运动跟踪器，持续实时监测用户在乎一个原因是它们可以激励用户进行更多的锻炼，同时提供对他们活动的反馈[57]。另一个是它们使佩戴者能够意识到他们的活动水平，这可以确保使用者保持足够的活动以健康生活。有各种运动跟踪器可供选择，包括3轴加速度计、磁力计和陀螺仪传感器。手腕可穿戴设备最常用于跟踪日常活动。这些设备测量活动信号，如运动，加速度，旋转和手势。加速度计最常用于日常活动[58]。sEMG和FMG也用于手势因为手腕的手掌侧在手指弯曲手势期间显著地偏转，所以压电接触传感器阵列可用于测量此偏转。基于手腕的设备已被用于研究环境中以监测睡眠质量[60]。通常，陀螺仪、加速度计和磁力计组合在同一设备（即IMU）中，以实现更准确的运动跟踪。例如，陀螺仪可以快速响应变化，并且在测量角度时更可靠，而磁力计在快速移动时精度较差，但随着时间的推移没有显示偏差[61]。3.2. 医疗康复可穿戴传感器可用于医疗康复和患者护理[62运动传感器和姿势检测装置可以监测有平衡问题和PD的患者或正在康复的患者[65运动症状X. Wang，H. Yu，S. Kold等人仿生智能与机器人3（2023）1000895帕金森病有运动功能减退和运动功能亢进的特点。自主神经受累和姿势反射的丧失可以在晚期看到，但也可以在非典型帕金森综合征患者的早期看到。当运动和位置传感器一起使用时，可以检测或预测跌倒。有跌倒史或无跌倒史的患者有不同的运动模式。使用可穿戴运动传感器的患者研究表明了这些发现[69]。皮肤电活动和心电图可以在患者自己的环境中用可穿戴传感器记录，以揭示自主神经异常。使用运动传感器监测运动症状比患者使用日记提供更好的信息。因此，更令人满意的治疗计划是可能的。多发性硬化症（MS）影响生育年龄的年轻人因此，保持一定水平的身体活动对于良好的生活质量至关重要。已经定义了几个性能量表来测量身体活动，如步态、手部运动、疲劳、视力和痉挛状态[70]。传统的评估方法包括问卷调查、观察和活动计时，所有这些都很耗时且不精确。相反，运动传感器和活动记录仪可以提供更精确的信息[71]。市售设备已用于记录步数和步态的时间参数，如步幅、摆动和步数[65]。久坐行为似乎在有行动障碍的MS患者中比没有行动障碍的MS患者更常见[66]。一项研究使用活动记录仪评估了久坐行为，发现残疾与自我报告的残疾状态量表评分之间存在显著相关性，但认知功能与久坐行为之间无显著相关性[72]。脑萎缩和久坐行为也需要进一步研究。3.3. 工作场所和工业外骨骼除了医疗保健，可穿戴传感器也被应用于工作场所，以改善工作条件，减少工伤。这些传感器有可能提高员工某些工作的工作姿势，如与计算机相关的工作、建筑和采矿，会导致背部大量的身体紧张，如果持续很长时间，可能导致下背部疾病[73，74]。为了降低与工作相关的肌肉骨骼疾病的风险，不干扰工人活动的创新可穿戴技术可以改善生物力学风险评估，适应所有工作条件，并克服当前标准化方法的局限性这些技术包括IMU、仪器手套和sEMG，尽管其他研究实验室和工作场所也出现了新的工具[75]。基于智能鞋的可穿戴系统可以进行反向动力学分析是非常有前途的[76，77]。可以在外部刺激下可逆地收缩、扩张和旋转的人造肌肉可以嵌入微传感器，以实现有效的前馈预测控制[78在工业中，需要可穿戴设备来为搬运或提升重物的工人提供外部辅助。Luo等人[81]设计了一种可穿戴的弯腰辅助设备，可以减少弯腰姿势的应变并防止腰部受伤的风险。Chu等人[82]已经测试了造船厂工人的外骨骼，通过降低下肢肌肉的肌肉张力和支撑垂直载荷来帮助改善工作条件，这可以帮助预防肌肉骨骼疾病。尽管外骨骼有一定的局限性，例如提升能力和最大步行速度，但几个小时的测试表明，它提高了工作效率，并有可能预防肌肉疾病[7]。3.4. 其他应用可穿戴设备通常也用于其他领域，例如军事和人机接口。军事可穿戴设备根据其生理特征覆盖一系列位置，例如头部控制器[83]、智能手套[84，85]、下肢外骨骼[86，87]、智能鞋[88]和可穿戴套装[89，90]。例如，Schlenker等人[89]开发了一种生物遥测系统，用于监测士兵、救援人员和消防员的生理状况。该系统可提高被监控人员在训练和执行任务时的人身安全基本设置包括心率、体表温度、运动跟踪（加速计）和汗液（湿度）传感器。可穿戴传感器还可应用于Kusserow等人[94]已经提出了一种可佩戴的传感器系统，以测量专业音乐家在公共表演条件下的压力响应模式。Otterbein等人[95]已经提出了使用力感测电阻器的用于艺术运动描述符的可穿戴技术Nam等人[93]提出了一种舞蹈训练系统，该系统在跳舞时感知脚上的压力并提取脚踝运动。练习游戏使学生能够通过使用化身从各个方向观看教师4. 商用可穿戴设备许多可穿戴传感器产品目前可在市场上获得，以满足日益增长的兴趣和应用（如图1A所示）。 4）。表2总结了大多数可穿戴设备和传感器。最常见的商业传感器是腕戴式三轴加速度计。这些商业系统使用通常依赖于大于设定阈值的惯性或旋转信号的适当算法，然后将其定义为活动计数。例如，Fitbit Flex是一款用于运动跟踪的智能手表，包括步数、距离、燃烧的卡路里、活动分钟数、每小时活 动 和 静 止 时 间 。 类 似 的 产 品 包 括 Jawbone Up ， NikeFuelBand，Xiaomi Mi Band和Huawei Zero。然而，当步行速度慢，腿摆动期间的加速度小且不规则时，手腕和躯干佩戴的传感器用于计步的方法可能不准确，如对于偏瘫步态的人。在实际应用中，腿的峰值加速度和角速度发生在步态周期期间的摆动阶段，这是最容易用腿穿戴传感器测量的。磁力计可以被添加以评估空间取向的方向向量。因此，可以从任何已知的对象位置获得相对于磁北的线加速度、角速度和航向Vicon BlueTrident、XSens、TracPatch、APDM）。心率信号通常与从商业手腕传感器测量的惯性信号融合以提供关于代谢信息的信息。对于特殊要求，无线传感器可以包含ECG、EEG或EMG信号;压电电极可以测量例如足部压力和力肌图（FMG）;生物传感器可以连续监测葡萄糖;并且传感器可以测量温度。传感器信息可以通过基于智能手机或智能手表的报告进行补充并提供上下文例如，Movesense Medical开发了一种X. Wang，H. Yu，S. Kold等人仿生智能与机器人3（2023）1000896传感器表2典型的商用可穿戴传感器。防溅，但是燃烧的卡路里电池续航时间：高达便携式;评级家里，实验室，方向/位置11.2克电池寿命：90无法测量肌肉活动用户友好的补丁允许每个人取代它，SENS DK加速计N加速计，医院三轴加速度活动范围天需要;数据自动传输到云第一个可穿戴骨科设备; TracPatch云TracPatch CA温度传感器和步进计数器室内和室外家庭和临床截肢、运动和伤口部位温度趋势数据3-轴加速度、3轴角速度和3轴方向/位置;N/A允许无限制的数据收集和存储;无法分析特定步态和肌肉活动开源;心脏病可以Movesense FINIMU，ECGYAPDM USA IMU NIMU、EMG环境;防水防震室内和室外;防水防尘（IP 64）室内和心率（bpm）;R-R间期;单通道ECG（非医学）;蓝牙心率模式3-轴加速度、3轴角速度和3轴方向/位置3-轴加速度，3轴角速度重量：9.4克电池寿命：12小时;重量：25克电池续航时间：8小时;监测;无法测量肌肉活动各种应用;无法测量肌肉活动测量肌肉活动;Noraxon美国传感器N户外;防水室内和速度和3轴方向/位置;原始EMG3-轴加速度、3轴角速度和3轴充电时间：4小时;重量：19 g不 稳 定 、 高 成 本 、不舒适和复杂间接测量肌肉活动;通用BioX Bands DK IMU，FSR Y户外方向/位置; 8通道FMG;肌肉收缩强度电池续航时间：8小时大写和下肢运动检测和手势分类;低成本轻便的医疗心电图和运动传感器，用于跟踪人类在家庭和临床环境中的健康状况Noraxon设备可以在统一的软件平台内连续收集各种数据，同时可以补充EMG、力、压力、运动和高速视频的集成。TracPatch器械被动收集伤口部位温度趋势数据，以及患者护理期间的活动范围、振幅和运动数据。BioX Sensor Band结合了IMU和FSR，可以准确方便地检测肢体运动、肌肉力量和手势。5. 计算方法在测量数据的基础上，通过各种分析技术可以实现步态相位检测和人体步态特征识别。可以使用各种方法来确定行走期间的步态事件[4]。步态检测的最简单计算方法是基于阈值;提出了不同的产品国家传感器综合使用测量数据规范利弊系统Vicon英国IMU家用、实验室、三轴加速度、防水、各种户外、三轴角度电池续航时间：12小时;应用场合;N水下速度，3轴重量：9.5 g;无法测量方向/位置充电时间：1.5 h 肌肉活动游泳汗水，雨水，和步骤，距离，低价格和Fitbit Flex美国加速计N不游泳证明或活动分钟，5天;收费无法分析步态证明每小时活动，和时间：1-2小时和肌肉活动（IP68）静止时间防水，各种家庭，实验室，3轴加速，电池寿命：1天，应用;支持XSensNLIMUY户外，IP68 3轴角度70 mAh;充电构建开发者防水速度，3轴时间：1小时;重量：自己的应用程序;NX. Wang，H. Yu，S. Kold等人仿生智能与机器人3（2023）1000897见图4。 用于活动监测和跟踪的典型商用可穿戴设备。(a)Vicon;（b）Fitbit Flex;（c）XSens;（d）TracPatch;（e）Movesense;（f）APDM;（g）Noraxon;（h）BioXBands。ML广泛用于对离线和实时数据中的步态阶段进行分类[102，103]。基于不同的ML方法，如HMM，CNN和神经网络（NN）模型，已经提出了许多步态相位识别方法[104，105]。例如，HMM已经作为ML的一个分支在许多应用中使用[9，19，20]。Roth等人[106]提出了一种基于HMM的步幅分割方法，以评估28例PD患者的步态分割性能，发现所提出的HMM实现了92.1%的平均F1评分。基于人工神经网络的步态相位参数提取方法已有很多。Evans等人。[107]开发了一种结合前馈NN和HMM的混合方法，将检测到的步态相位数量增加到5个。他们的测试表明，在23 ms内的平均检测准确率为88.7%。在另一项研究中，将三层NN嵌入HMM中，用于六个步态阶段的分类，并使用基于规则的检测方法标记训练数据[98]。该方法的准确度为98.11%，灵敏度为94.32%。这种混合方法对于模型训练计算复杂，但对于实时检测非常有效Wang等人[108]已经将长短期记忆（LSTM）神经网络应用于基于IMU数据的步态相位识别他们的结果表明，从所提出的LSTM网络估计的步态相变可以成功地近似人类意图，准确率为97.8%。基于ML的方法是步态跟踪的有效方法[109，110]。许多研究表明，离线检测是成功的，但实时检测并不显著，因为参数矩阵和计算时间太大。6. 讨论本文综述了可穿戴传感器及其应用。存在许多非可穿戴的基于传感器的设备，例如，运动捕获系统，其最适合于实验室环境中的步态分析。运动捕捉包括基于图像处理的系统和基于地板传感器的系统来捕捉步态。然而，在实验室之外的日常活动中无法捕获有关人类步态的可穿戴传感器不仅可以在实验室和医院中灵活使用，还可以在家庭和户外自然环境中使用。可穿戴传感器在医疗保健系统内的使用正在迅速增加，这主要是由诊断和监测治疗的临床需求驱动的。预计可穿戴随着时间的推移，传感器将被纳入治疗实践，从决策支持转变为全面的医疗设备。这种转变需要高可靠性的高质量数据和数据基础设施，以便立即处理和向医疗保健提供者和患者呈现实时数据。同时，必须执行包括所有利益相关者在内的迭代设计过程-以患者为中心-以确保在使用这些新治疗方式时的高依从性。必须解决电池寿命与频率采样等设计问题，并针对特定的医疗条件进行定制，以实现从医院到家庭解决方案的全面转型。这种需要将是最明显的对于患有神经系统或肌肉骨骼疾病的患者，但所有医疗领域都可以受益于对疾病对运动影响的更多了解，从而对患者的生活质量产生影响。我们的评论表明，高度集成和多模态测量是具有挑战性的，需要广泛的研究。IMU是测量人体运动学和动力学最常用的可穿戴传感器，而表面肌电信号是用于评估肌肉功能的主要无创技术。另一方面，FMG正在研究作为EMG的替代方案[51，53，54]。大多数报道的工作都采用单模态传感技术。同时收集不同类型的运动数据的多模态感测多模态传感依赖于新的计算方法和算法，特别是ML和人工智能，但将实现对可穿戴设备的智能控制，如机器人外骨骼和主动假体。此外，数据驱动的活动建模和运动重建也需要进一步研究。7. 结论可穿戴设备广泛应用于各种领域，从日常活动到医疗康复和工业辅助。我们的评论提供了可穿戴传感器的概述，包括其技术和应用。我们专注于用于健康护理和康复活动监测的可穿戴传感器，并将我们的研究扩展到其他应用的传感器，例如工业，军事和艺术中的X. Wang，H. Yu，S. Kold等人仿生智能与机器人3（2023）1000898为进一步研究提供设备。从这篇综述中，我们确定了一些关键的研究课题，呼吁未来研究新的传感器，方法和算法。竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作致谢这项工作得到了区域Nordjylland健康中心项目SLAM和国家自然科学基金（62073224）的支持。X.王女士感谢国家留学基金管理委员会对她在丹麦奥尔堡大学学习的资助。引用[1]D. Dias，J. Paulo Silva Cunha，可穿戴健康设备-生命体征监测，系统和技术，传感器18（8）（2018）2414。[2]B.H.多布金角Martinez，可穿戴传感器监测，实现反馈，并测量活动和实践的结果，Curr。Neurol. Neurosci. Rep. 18（12）（2018）1-8.[3]R.卡尔达斯湾Mundt，W. Potthast等人，基于惯性传感器和自适应算法的步态分析方法的系统综述，GaitPoetry 57（2017）204-210。[4]H.普拉萨特卡班Keller等人，基于可穿戴传感器的实时步态检测：系统综述，传感器21（8）（2021）2727。[5]L.C. Benson，CA Clermont，E. Bošnjak等人，使用可穿戴设备进行实验室外的步行和跑步步态分析：系统综述，Gait Poetry 63（2018）124-138。[6]F. Tokuçolu，用可穿戴技术监测身体活动，Arch. 神经精神病学55（增刊1）（2018）S63。[7]J. Khakurel，S. Pöysä，J. Porras，可穿戴设备在工作场所的使用-系统性文献综述，载于：社会公益智能对象和技术国际会议论文集，施普林格，2016年，第100页。284-294。[8]M.克雷尔湾Ogris，P. Lukowicz，使用力敏电阻器进行肌肉活动评估，见：2008年第5届IEEE国际暑期学校和医疗器械与生物传感器研讨会论文集，2008年，pp. 107比110[9]L. Liu，H. Wang，H. Li等人，使用可穿戴惯性传感器和隐马尔可夫模型的行走人类步态相位检测，传感器21（4）（2021）1347。[10]W. Chen，Y. Xu，J. Wang，et al.，基于步态康复可穿戴传感器系统的人体步态运动学分析，J. Med. Biol. Eng. 36（ 6）（2016）843-856.[11]S. Potluri，A.B.拉克伦角Diedrich等人，基于机器学习的人类步态分割与可穿戴传感器平台，在：2019年IEEE医学和生物学工程学会第41届年度国际会议论 文 集 ，EMBC，2019年，pp。588-594。[12]A. Rattanasak，P. Uthansakul，M. Uthansakul，T. Jumphoo，K.帕帕塔那布里湾Sindhupakorn，S. Rooppakhun，基于kNN算法使用可穿戴传感器进行经胫骨假体的实时步态相位检测，传感器22（2022）4242。[13]F.拉希米角Duval，M. Jog等人，使用惯性运动传感器捕获帕金森病患者的全身移动性：预期的挑战和回报，在：IEEE医学和生物学工程学会2011年年度国际会议论文集，2011年，第101页。5833-5838[14]S.叮，X。欧阳，T. Liu等人，通过智能IMU检测下肢外骨骼机器人的步态事件，IEEE Sens. J. 18（23）（2018）9728-9735。[15]H.鹤岛湾水上K. Yoshikawa等人，涉及混合辅助肢体机器人外骨骼套装的步行计划对改善中风患者步行能力的有效性：随机对照试验方案，JMIR Res.Protocols 8（10）（2019）e14001。[16]K. Suzuki，G. Mito，H. Kawamoto等人，基于意图的截瘫患者步行支持与机器人服HAL，高级机器人。21（12）（2007）1441-1469。[17]H. Kawamoto，Y. Sankai，用于步态障碍者的动力辅助系统HAL-3，在：残疾人计算机国际会议论文集，Springer，2002年，pp. 196-203.[18]R.古普塔河，巴西-地Agarwal，单通道基于EMG的连续地形识别与下肢假肢简单分类器，Biocybern。BioMed. Eng. 39（3）（2019）775[19]G. Chen，P. Qi，Z. Guo等人，小型便携式膝踝足步态康复机器人的机械设计与评价。 马赫理论103（2016）51-64。[20]G. Chen，V. Salim，H. Yu，便携式Knee-Ankle-foot机器人的一种新型基于步 态 相 位 的 控 制 策 略 ， 在 ： 2015 年 IEEE 康 复 机 器 人 国 际 会 议 论 文 集 ，ICORR，2015年，pp. 571 -576[21]J. Liu，C.，中国植物志和，2003 - 12 - 13;王湾，澳-地He等人，基于表面肌电信号的下肢外骨骼机器人步态相位识别的度量学习算法。Med. 机器人第472章：一夜情（2022）[22]G.奥格里斯，M。Kreil，P. Lukowicz，使用基于FSR的肌肉活动监测来识别操纵性手臂手势，在：2007年第11届IEEE可穿戴计算机国际研讨会论文集，2007年，第111页。45比48[23]M.R. Islam，S. Bai，使用测力传感器进行有效载荷估计，以控制负载辅助中的上身外骨骼，2019年。[24]S. Bai，M. Islam，V. Power，et al.，以用户为中心的模块化全身外骨骼（AXO-SUIT）Biomim的开发和性能评估。内特尔机器人2（2）（2022）100032.[25]D. Esposito，E. Andreozzi，A. Fratini等人，用于测量肌肉收缩和肌力描记术的压阻传感器，传感器18（8）（2018）2553。[26]S. An，Y.通塞尔，T. Basaklar等人，Mgait：使用可穿戴弯曲和惯性传感器进行基于模型的步态分析，ACM Trans. Internet Things 3（1）（2021）1-24。[27]M. Abbas，R.L.B. Jeannès，基于加速度的步态分析用于老年人的虚弱评估，Pattern Recognit。Lett. 161（2022）45-51。[28]M.D. Czech，S. Patel，GaitPy：一个开源Python包，用于在下背部使用加速度计进行步态分析。开源软件4（43）（2019）1778.[29]L.C. Benson，CA克莱蒙河Watari等人，在多种跑步条件下基于自动加速度计的步态事件检测，传感器19（7）（2019）1483。[30]M.戈拉米角纳皮尔角Menon，用单个加速度计估计下肢跑步步态运动学：一种深度学习方法，传感器20（10）（2020）2939。[31]V. Hernandez，D. Dadkhah，V. Babakeshizadeh等人，从可穿戴传感器进行步行和跑步的下半身运动学估计：一种深度学习方法，Gait Poetry 83（2021）185-193。[32]L.C. Benson，A.M. Räisänen，C.A. Clermont等人，这是真实的生活，还是只是实验室？基于IMU的跑步步态分析的范围审查，传感器22（5）（2022）1722。[33]C. Fadillioglu，B.J. Stetter，S. Ringhof等人，使用新型基于陀螺仪的算法对各种运动任务进行自动步态事件检测，Gait Poetry 81（2020）102-108。[34]H. Zhao，S. Qiu，Z. Wang等人，MEMS陀螺仪在人类步态分析中的应用，见：陀螺仪-原理和应用，IntechOpen，2019。[35]Y.-- K.郑，K.- R. Baek，使用组合陀螺仪和压力传感器的DTW算法进行非对称步态分析，传感器21（11）（2021）3750。[36]J.C.佩雷兹-伊瓦拉威廉姆斯，A.A. Siqueira等人，使用单脚安装惯性传感器实时识别受损步态阶段：回顾和可行性研究，在：2018年第7届IEEE生物医学机器人和生物机电一体化国际会议论文集，Biorob，2018年，第11页。1157-1162年。[37]Z.丁角，澳-地Yang，K. Xing等人，基于长短期记忆的实时步态相位检测，见：2018年IEEE第三届网络空间数据科学国际会议论文集，DSC，2018年，第10页。33比38[38]杨志成，T.- H. Huang，S. Yu等人，基于机器学习的自适应步态相位估计 使 用 惯 性 测 量 传 感 器 ， Proc 。 BioMed. Dev. Am. Soc. 机 甲 Eng.（2019）V001T009A010.[39]B.苏C.史密斯，E. Gutierrez Farewik，使用具有惯性测量单元的深度卷积神经网络进行步态相位识别，生物传感器10（9）（2020）109。[40]K. Matsushita，M.平田T. Suzuki等人，用于人脑-机器接口的完全植入式无线ECoG 128通道记录设备： W - H E R B S ， F r o n t 。Neurosci. 12（2018）511。[41]F.M. Petrini，G. Valle，M. Bumbasirevic等人，增强下肢假肢的功能能力和认知整合。Transl. 11（512）（2019）aav 8939.[42]T.C. Bulea，S.普拉萨德A. Kilmenslan等人，坐姿和站立意图可以从运动执行之前记录的头皮EEG解码，前。Neurosci. 8（2014）376.X. Wang，H. Yu，S. Kold等人仿生智能与机器人3（2023）1000899[43]E.洛佩斯拉腊湖Montesano，Montesano Gil-Agudo等人，从运动前EEG相关性连续解码上肢自主分析运动的运动意图，J. Neuroeng。康复中心11（1）（2014）1-15.[44]L. Bi，S.夏，W. Fei，基于注意状态估计的脑电信号上肢运动意图分层解码模型，IEEETrans. 神经系统康复中心Eng. 29（2021）2008[45]Y.郭河，巴西-地格拉茨，X. Gu等人，基于EMG的异常步
我的内容管理
展开
