智能医疗中的可穿戴设备与步态分析：多种医疗保健应用和人工智能辅助

计算机科学前沿|www.frontiersin.org1五月2021|第3卷|第661条迷你回顾发布：13五月2021doi：10.3389/fcomp.2021.661676智能医疗中用于步态分析的可穿戴设备刘鑫1、2、3，陈钊1、3，郑斌2 *，郭勤伟4 *，段晓琴2、5，阿孜古丽·乌拉木1、3，张德政1、31北京科技大学计算机与通信工程学院，北京，中国，2外科加拿大埃德蒙顿阿尔伯塔大学外科学系仿真研究实验室3材料科学知识工程北京市重点实验室4北京大学第三医院运动医学研究所北京5吉林大学第二医院康复医学科长春编辑：中国浙江大学陈玲审核人：苏浩如，北京工业大学中国HuangheZhang，史蒂文斯理工学院，美国* 通信：BinZhengbin. ualberta.ca郭勤伟guoqinwei@vip.sina.com专业部分：本文提交给移动和无处不在的计算，《计算机科学前沿》杂志的一部分收到日期：2021年1月31日接受日期：2021年发布日期：2021年引文：Liu X，Zhao C，Zheng B，Guo Q，Duan X，Wulamu A and Zhang D（2021）用于步态分析的可穿戴设备智能医疗前面Comput.Sci. 3：661676。doi：10.3389/fcomp.2021.661676在这项研究中，我们回顾了可穿戴设备在跟踪我们日常运动中的作用我们讨论了可使用的可穿戴设备类型、步态分析方法以及人工智能辅助的多种医疗保健相关应用。行走和运动障碍日常跟踪和步态分析是监测人类行走的方便和有效方法，其中可以获得复杂和丰富的数据，以检查我们在身体运动期间的姿势控制机制，并为诊断和治疗提供更好的临床证据。可穿戴设备中的许多传感器可以帮助记录行走和跑步的数据;时空和运动学变量可以在步态分析中进一步计算我们报告了我们以前在步态分析方面的工作，讨论了可穿戴设备在检测足部和踝关节病变、支持外科医生早期诊断以及帮助医生康复方面的应用关键词：步态分析，运动跟踪，时空变量，运动学，应用介绍散步是我们每天最常见的活动之一。正常的人类行走需要我们的四肢和躯干之间高度的运动协调不断监测我们的行走模式是检查我们健康的一种方式，因为中枢神经系统密切参与控制肢体运动和姿势控制功能，而我们的身体正在移动。我们相信，可穿戴设备可以在我们日常行走的监控中发挥重要作用行走和运动障碍在世界范围内常见于损伤、退行性病变、肌肉骨骼疾病和神经损伤。在传统的实践中，医生根据身体和医疗检查对这些损伤进行诊断。完整的步态分析只能在一些三级医院对少数患者进行。许多科学家认为，步态分析应适用于所有退行性疾病患者和需要长期康复的患者步态分析是涉及传感器技术、人体测量学和人工智能的系统研究。随着无线通信技术、网络技术和微电子技术的快速发展，可穿戴传感器和设备在智能医疗中得到了广泛的应用。与基于实验室的运动跟踪器不同，可穿戴设备似乎可以用于步态分析。智能手机、传感器和传感织物等技术，体积小，成本低，可用于监测个人活 动 。Liu等人医疗保健中的步态跟踪和分析计算机科学前沿|www.frontiersin.org2五月2021|第3卷|第661条如今，可穿戴设备越来越多地用于生物力学研究和运动医学。随着传感器技术的发展，步态分析逐渐被应用于日常健康监测、临床诊断和手术康复评估、老年人跌倒风险检测等医疗管理领域，多项研究表明，步态分析有助于个体的全过程管理和医生的诊疗决策。本研究的主要目的是回顾可穿戴设备的运动跟踪，步态分析方法，以及智能医疗保健中的多种医疗保健相关应用。本文介绍了智能手机、可穿戴传感器和传感织物等常见的可穿戴运动跟踪设备，并介绍了我们在时空步态分析方面的研究成果，讨论了步态分析在日常健康监测、疾病预防、早期诊断和康复中的应用。步态分析智能手机、可穿戴传感器、传感织物等可穿戴设备广泛应用于步态监测。不同可穿戴设备的步态测量对于其应用至关重要。我们展示了不同类型的可穿戴设备的优缺点（表1）。使用智能手机每个智能手机都有各种内置传感器，如GPS传感器，加速度计和陀螺仪。 因此，这些传感器可以记录用于描述步态的变量，例如步行距离、频率和速度等。我们理解，传感器可以通过应用程序编程接口进行二次开发。通常，我们面临的问题是如何从这些传感器中提取数据，以及如何开发一种可信的方法来读取这些数据并监测步态异常。Yodpijit等人使用智能手机作为无线加速度计来提取步态参数（步幅时间、站立时间、摆动时间和节奏）。 该研究创建了用于异常步态检测的智能手机应用程序（Yodpijit等人， 2017年）。Reginya等人使用带有加速度计和陀螺仪的智能手机来检测帕金森病（PD）患者 他们分析了在传统神经行走测试期间来自加速度信号和旋转速度的幅度和频谱参数，以发现患有和不患有PD的个体之间的差异（Reginya等人，2019年）。Kwon等人提出了使用智能手机来区分患者在房间中的活动的无监督学习算法。这些方法基于识别人类活动的聚类算法，即使活动的数量是未知的（Kwon等人，2014年）。Ahmed等人记录了63名不同受试者的步态样本，以预测与高胆固醇、糖尿病、癌症和心脏病发作相关的体重指数和年龄。从时间序列的每一段中提取了14个统计特征，包括抖动，平均交叉率，自相关均值/SD、自协方差均值/SD、偏度和峰度等。（Ahmed等人， 2017年）。使用可穿戴传感器在那些不携带智能手机的人中，可穿戴传感器，如加速度计、力传感器、伸长计、陀螺仪传感器和测角仪等，可用于收集步态数据。传感器可以通过穿着特殊的服装、袜子和鞋子附着在四肢和躯干上。足部压力通常被认为是步态检测的金标准。近年来，惯性测量单元（IMU）越来越多地用于Samberg等人设计了一个GaitShoe可穿戴系统来检测脚跟 着 地 和 脚 趾 离 地 ， 以 及 估 计 脚 的 方 向 和 位 置 。GaitShoe可以从平均脚间距极值和步幅时间区分健康步态模式和PD（Bamberg等人，2008年）。Calliess等人使用带有三个IMU的移动步态分析系统来测量膝关节置换术后的结局。他们的主要参数包括膝关节屈曲轮廓、速度和膝关节稳定性（Calliess等人，2014年）。Zexia He etal.设计了一个可穿戴的传感和训练系统，使用一个运动传感器和六个压敏导电橡胶传感器。该系统帮助患有膝关节骨关节炎的老年人估计其用于康复评估的内收力矩（He等人，2019年）。Schlachetzki等人开发了一种基于传感器的可穿戴步态分析系统，该系统具有高生物力学分辨率，可用于PD患者的步态障碍。测量指标为步幅/时间、站立时间、步幅间变异等时空参数。该 系统对于大规模临床研究和个体患者护理是可行的（Schlachetzki等人， 2017年）。可穿戴传感器支持日常运动跟踪的当前应用，还需要减少测量误差，以跟上Dahl等人在常见的体育运动中验证了IMU系统与光学运动捕捉系统的对比。与光学运动捕捉系统相比，IMU系统报告了在水平和前向平面中的较大角度，在矢状平面中的较小角度（Dahl等人，2020年）。Leandro Donisi等人指出，Opal和G-Walk系统（用于步态分析的两种可穿戴IMU系统）具有良好的可重复性，但它们的一致性并不完美（Donisi等人，2019年）。目前的可穿戴传感器适用于日常健康监测，不需要非常准确和精确的测量。未来，可穿戴传感器将提高其可靠性以支持临床诊断（Chen等人， 2016年）。如果一个人拒绝佩戴传感器，我们可以使用微软Kinect设备来捕捉肢体的运动，并为它们创建一种替代但可靠的步态分析方法（Taborri等人，2016年）。Kinect能够在三维（3D）空间中跟踪骨骼关节，并计算时空步态变量和步态运动学，用于健康评估（Springer和Seligmann，2016）。通过Kinect建立的基于三维骨架的步态数据库，我们可以提取步行过程中的静态和动态特征。在三维空间中进行特征融合，提高了步行检测的识别率（Wang等人， 2016年）。Liu等人医疗保健中的步态跟踪和分析计算机科学前沿|www.frontiersin.org3五月2021|第3卷|第661条表1|不同可穿戴设备的步态测量。设备步态测量优点缺点智能手机CGPS C CC上的简单数据采集数据采集精度较低（即，不适合C步行日数、距离、频率和时空步态特征机械湍流相）旋转等C广泛使用的设备C没有足够的数据类型（即，不包括CSpatiotemporal measuresC带有用户界面C.远程医疗服务动力学、运动范围等）可穿戴C方向、水平、位置C微小尺寸C异物感传感器C生物力学测量（即，质量，C低成本C准确度和精确度低于重心、转动惯量、稳定性等）C步态运动学（即，运动范围、时空测量等）C步态动力学（即，足底压力、GRF、关节扭矩等）CEMGC低功耗C易于执行C数据采集灵敏度高金本位制复杂信号检测中的C微分传感织物C压力C柔软、轻便、防水、可拉伸C不透气C生物阻抗C压力灵敏度高C成本高C物理量（即，电导率、温度和伸长率等）C长期服务C无成熟产品C稳定的数据采集（静态和动态测量）使用传感织物传感织物也可用于测量物理变量。早期的传感织物是附着在织物表面的随着智能织物的发展，传感织物现在是由聚酯和导电纤维组成的机织物。感测织物能够通过电容、电阻或生物阻抗模式来测量人体的各种活动并感测物理量（例如，电导率、温度和伸长率等）。初步工作表明，基于感测织物的可穿戴设备可以记录日常行走期间的步态异常，以进行姿势重建（Lorussi等人，2004; Amitrano等人，2020年）。Shu等人提出了一种基于织物传感器的鞋内足底压力测量和分析系统，以评估用于步态分析和平衡控制的空间和时间足底压力分布。基于织物的可穿戴设备的性能在静态和动态测量中都是稳健的（Shu等人， 2010年）。Changming Yang et al.提供了一种步态分析系统，其使用裤子和袜子中的织物传感器来监测向前和向后行走或上楼和下楼的运动（Yang等人，2015年）。Tirosh等人从传感织物开发了一双袜子以测量足底压力和步态时间参数（例如，步幅和站立持续时间）。从袜子收集的数据能够准确地预测糖尿病、中风、PD患者的步态模式，并计算跌倒的风险（Tirosh等人， 2013年）。步态分析步态动力学步态动力学研究在步态周期中导致下肢运动的力和力矩，包括足底压力分布、地面反作用力（GRF）、关节压力分布和关节压力分布。扭矩和肌肉活动等（Tahir等，2020年）。足底压力的大小和分布直接反映下肢的功能和姿势控制。足部扫描和鞋内足底压力系统测量他们的脚从脚跟接触到脚趾离地的功能。使用足底压力分析，我们可以测量多足底压力分布;监测平衡、力量和负重的改善;识别站立阶段的不对称。步态动力学在步态障碍的预防、识别和治疗中起着重要作用。最近，GRF被用于识别帕金森病患者（Ren等人，2017），确定参与者的性别（Soubraet al.，2016），并区分自闭症谱系障碍（ASD）中的正常步态模式（Hasan等人，2018）和糖尿病（Duet al.， 2015年）。步态运动步态运动学有助于临床医生识别患者的运动状况，并推测可能受损的神经肌肉控制机制，这将有助于早期诊断和及时治疗。各种传感器采集的步态数据是步态运动学的基础。我们需要建立一个可靠的生物力学模型来进行步态分析，并需要应用人工智能来解释数据。近年来，已经开发了几种生物力学模型来测量足部和踝关节的运动。例如，牛津足模型（包括小腿、后足、前足和拇趾）已常规用于临床实践以评估足畸形和步态功能障碍，例如特发性马蹄内翻足、足关节炎、脑瘫、偏瘫（Kostuj等人，2018年）。Milwaukee足部模型是一个四节段模型（胫骨、后足、前足和拇趾），已被应用于确定截肢术期间的非典型节段足部运动，并测量拇趾外翻、拇趾僵硬、后胫骨Liu等人医疗保健中的步态跟踪和分析计算机科学前沿|www.frontiersin.org4五月2021|第3卷|第661条图1|踝关节外侧副韧带损伤患者的步态运动学变量（胫距屈曲、前足/踝关节外展、内侧足弓角、外侧足弓角、距下旋转、前足/踝关节旋后、MT I-V角）。左：未受累侧;右：受累侧。Liu等人医疗保健中的步态跟踪和分析计算机科学前沿|www.frontiersin.org5五月2021|第3卷|第661条肌腱功能障碍、全身性类风湿性关节炎和前足畸形（ Canseco 等 人 ， 2012 年 ） 。 开 发 了 IstitutiOrtopediciRizzoli足部模型和三维（3D）足部模型，以覆盖腿部的五个节段（小腿、跟骨、中足、跖骨和拇趾）（Leardini等人，2007年）的报告。Kinfoot模型是覆盖小腿、后足、两个中足段、两个前足段、两个脚趾段和大拇趾的九段模型（MacWilliams等人， 2003年）。在我们最近的研究中，我们分析了踝关节外侧副韧带损伤患者的下肢运动，并综合了足部和踝关节运动学特征，以进行自适应损伤检测（Liu等人，2020年）。海德堡足部测量模型（HFMM）用于检查整个步态周期中的足部和踝部运动学（Simon等人，2006年）。HFMM需要17个传感器来覆盖小腿、后足、中足和前足的部分（前足和拇趾的内侧和外侧部分）。这些变量包括胫距关节面、前足/踝关节外展、内侧足弓角、外侧足弓角、距下旋转、前足/踝关节旋后、MT I-V角（图1）。这些运动学数据使我们能够定量地描述个人如图1所示，运动数据 记录 通过这些传感器是能够区分正常和病变足之间的步态特征。时空步态变量运动数据可以进一步用于计算包括步态速度、步长、步幅时间以及力、压力等变量，以准确地描述步态的时空特征。Diliang Chen等人计算了26个步态参数，参考基本步态参数、步态变异性、步态对称性和用于行为识别（坐、站、走、跑、上/下楼梯）的转向步态参数，以评估日常生活活动的表现（Chen等人， 2020年）。我们最近的发现表明，踝关节外侧副韧带损伤的患者在步态周期中步幅较短，步幅较慢，并且在自然行走期间第二摇杆阶段的微调整比其他摇杆/摆动阶段更复杂（Xin等人，2021年）。在这里，附着在TTU（胫骨结节）、LML（外踝）、CCL（跟骨背侧）、DMT 2（第二跖骨远端）和HLX（拇趾）上的五个标记加速度是速度随时间的变化率加速度为零的时刻这些结果揭示了人类在行走过程中的运动补偿机制。韧带损伤的患者需要更多的肌肉骨骼调整，以保持身体平衡。这种微调整和补偿在不使用运动跟踪技术的情况下很难被医生的眼睛检测到。因此，从步态和精确的描述记录运动对于临床评估至关重要。评估结果可以指导外科医生选择合适的治疗方案，并在手术后检查手术效果我们的研究结果以及步态分析领域的所有其他先前研究将为未来的计算机辅助诊断使用人工智能进行可穿戴设备可以捕获大规模数据。了解病人的情况是友好的，但会给临床医生带来不必要的负担。计算机辅助损伤检测将帮助临床医生分析步态动力学、运动学和时空特征的测量之间的复杂关系以用于预诊断（Saboor等人，2020年）。个人可以使用他们的智能设备（即，智能手机），随时随地进行自动诊断。在最近的研究中，机器学习/深度学习已被用于分析步态特征并识别受损的步态模式。Mundt Marion等人构建了前馈神经网络，以基于IMU数据从3D关节角度和下肢关节扭矩估计步态力学（Mundt等人，2020年）。Wen Si等人开发了可穿戴传感鞋来捕获足底压力信号，并使用支持向量机和分形分析进行步态识别（站立、行走和跳跃）。Ravi Daniele等人提出了一种深度学习方法，将IMU数据与浅层特征相结合，以实现实时活动分类。他们证明了所提出的方法适用于智能手机和可穿戴传感器平台（Ravi等人， 2017年）。 在我们目前的工作中，使用深度卷积生成对抗网络（DCGAN）来扩展步态周期期间的时空特征以训练检测模型，并且应用长短期记忆（LSTM）网络来检测踝关节韧带损伤患者（Liu等人， 2020年）。人工智能技术在大规模分析方面很有前途，它可以用来分析可穿戴设备捕获的大规模丰富信息，用于医疗保健。医疗保健相关应用日常健康监测可穿戴传感器使实验室外的运动跟踪成为可能在智能医疗中，我们可以使用可穿戴设备捕获更多自发运动在之前的研究中，智能手机捕捉到的运动数据被转化为描述用户日常运动、计算跌倒风险，并使用智能算法预测运动损伤，用于改善个人的健康管理;智能鞋垫被应用于测量步频、足底压力和步态事件以用于日常健康监测;织物传感器阵列实时识别运动行为（Chen等人， 2020年）。基于从可穿戴设备收集的数据，最近的研究更加关注使用智能数学模型来测量健康状况。 例如，Joshua et al.开发了GaitTrack软件，通过Liu等人医疗保健中的步态跟踪和分析计算机科学前沿|www.frontiersin.org6五月2021|第3卷|第661条自由生活的步行模式。使用线性回归算法的软件评估患有 慢 性 阻 塞 性 肺 病 和 哮 喘 的 患 者 （ Juen 等 人 ， 2014年）。Raykov等人提出了一种结构化的概率模型来检测帕金森病患者的紊乱行为（Raykov等人，2014年）。几项研究集中在使用步态模式分析的肺和心肺功能（Cheng等人，2016; Rasekaba等人，2009年）。此外，一些研究人员基于用于年龄和性别估计的可穿戴传感器分析步态（Ngo等人，2019; Ahad等人，2020年）。通过基于传感器的可穿戴步态分析进行日常健康监测正在成为医疗保健不可或缺的方式， 未来临床实践在医疗保健服务的前线，智能运动跟踪和分析平台越来越多地可用，特别是在康复和运动医学中（Merriaux等人，2017年）。通过对Vicon运动捕捉系统和计算机辅助康复环境（CAREN）系统采集的多通道三维运动数据的生物力学模型分析，描述步态的运动显然，Vicon和CAREN是基于实验室的设备，只能安装在医院和康复中心，并应用于少数受试者。在过去的几十年中，越来越多 的 可 穿 戴 设 备 正 在 出 现 （ Flachenecker 等 人 ， 2020年）。通过可穿戴设备频繁记录各种人的步态将为智能分析开辟新的机会。可穿戴加速度计和惯性测量单元可以附接到医疗机构之外有需要的人（Wang等人，2021年）。这些可穿戴设备在步行过程中提供长期运动跟踪，并允许在不同条件下进行日常步态目前，可穿戴设备已逐渐用于治疗神经退行性疾病（例如， 阿尔茨海默病、帕金森病）、运动损伤、骨畸形和骨关节疾病（Sweeney等人，2019年）。在步态上的可穿戴跟踪设备的帮助下，物理治疗师可以描述患者的行走模式，了解限制患者运动的肌肉骨骼疾病，并假设控制患者运动的神经系统中可能存在的问题（Hori等人，2020年）。可穿戴设备收集的数据将帮助物理治疗师制定训练方案，并进行适当的调整，以改善治疗效果。结论和未来展望我们回顾了可穿戴设备在运动跟踪、步态分析中的应用，以及在智能辅助数据分析的帮助下增强医疗实践的潜力。介绍了智能手机、可穿戴传感器和传感织物等各种可穿戴设备及其在运动跟踪方面的研究进展。我们简要报告我们以前的工作步态分析使用的数据收集的脚和踝关节韧带损伤的病人。通过可穿戴设备对基本健康数据进行日常监测，可以帮助医生发现健康问题，使早期诊断成为可能，并为有需要的个人提供适当的治疗和康复然而，目前大多数可穿戴传感器对于临床证据来说不够准确。我们认为，可穿戴设备应该实现与运动跟踪平台相同或更好的结果（例如，Vicon和CAREN）在未来。展望未来，基于可穿戴设备收集的数据的计算机辅助医学将吸引越来越多的研究人员和临床医生的关注。基于可穿戴设备收集的数据的智能分析将增强临床实践和生物力学研究。作者贡献XL：数据管理，形式分析，撰写原始草稿，可视化，资金获取。CZ：资源，调查。BZ：概念化，写作-初稿准备，监督。QG：项目管理、监督。XD：形式分析。AW：概念化。DZ：项目管理。资金本工作得到了国家自然科学基金项目的资助（批准号61801019）;中华人民共和国科学技术部（资助号2019 ZX04003001 -006 ） ; 中 国 留 学 基 金 管 理 委 员 会 （ 批 准 号201906465021）;北京市科学技术协会（批准号137862）;和中央大学基础研究基金（批准号FRF-DF-20-04，FRF-BD-19- 012 A）。引用Ahad，M. a. R.，恩戈，T. T.，Antar，A. D、艾哈迈德，M.，Hossain，T.，Muramatsu，D.，等（2020年）。基于可穿戴传感器的步态分析用于年龄和性别估计。传感器20（8），2424。doi：10.3390/s20082424艾哈迈德，美国，阿里，M。F.、Javed，K.，和Babri，H. A. （2017年）。“使用智能手机传感器数据从人类步态预测生理发展”，在医学人工智能中。doi：10.1109/cybconf.2017. 7985782Amitrano ， F. ， Coccia ， A. ， 里 恰 尔 迪 角 ， 多 尼 西 湖 Cesarelli ， G. ，Capodaglio，E. M.，等人（2020年）。基于电子纺织品的可穿戴袜子的设计和验证远 程 步 态 和 姿 势 评 估 。 传 感 器 20 （ 22 ） ， 6691 。 文 件 编 号 ：10.3390/s20226691Bamberg，S.，Benbasat，A.是的，Scarborough，D. M.，Krebs，D. E、和Paradiso，J. A.（2008年）。使用鞋集成无线传感器系统的步态分析。IEEETrans. Inform.技术生物医学。12（4），413-423。doi：10.1109/titb.2007.899493Calliess，T.，博克拉奇河，卡尔科施河，Marschollek，M.，Windhagen，H.，和Schulze，M.（2014年）。膝关节置换术后基于移动传感器的步态分析方法的临床评价传感器14（9），15953-15964. doi：10.3390/s140915953坎塞科，K.，朗，J.，Smedberg，T.，Tarima，S.，马克斯河M.，和Harris，G. F.（2012年）。拇外翻手术后多节段足和踝关节运动分析。FootAnkle Int.33（2），141-147. doi：10.3113/fai.2012.0141Liu等人医疗保健中的步态跟踪和分析计算机科学前沿|www.frontiersin.org7五月2021|第3卷|第661条Chen，D.，中国农业科学院，蔡玉，Qian，X.，安萨里河，徐伟，Chu，K.- C.的方法，等（2020年）。将步态实验室带入日常生活：日常生活活 动 中 的 步 态 分 析 IEEE Internet Things J.7 （ 2 ） ， 1298-1312 。2019.2954387 -10 - 15陈淑仪，Lach，J.，罗，B.，杨，G。Z.（2016年）。Toward Pervasive GaitAnalysis with Wearable Sensors：A Systematic Review. IEEE J. BioMed. 健康信息。 20（6），1521-1537。版权所有© 2018 - 2019 www.jbhi.com郑昆，Juen，J.，Bellam，S.，Fulara，N.，差不多了D西尔弗斯坦，J.C.，等（2016）。使用手机传感器的运动分析的肺功能分类模型。AMIAAnnu. Symp. Proc.2016，401-410。Dahl ， K.D 、 Dunford ， K.M. ， 威 尔 逊 ， S 。 一 、 Turnbull ， T.L. ， 和Tashman，S.（2020年）。可穿戴传感器对下肢和躯干运动相关运动的验证 。 医 学 工 程 物 理 84 ， 144-150 。 doi ： 10.1016 个 / 日 。medengphy.2020.08.001多尼西湖D'Addio，G.，Pagano，G.，Coccia，A.，和Cesarelli，M.（2019年）。基于不同传感器位置的步态分析的两种可穿戴惯性系统一致性研究 ： G-Walk 系 统 和 Opal 系 统 。 Gait Poplant74 ， 14. doi ：10.1016/j.gaitpost.2019.07.462杜湖，加-地Zhu，X.，Zhe，J.（2015）.一种实时测量足底垂直力和剪切力分布的电感式传感器。IEEE生物医学学报Eng.62（5），1316-1323.doi：10.1109/tbme.2014.2386136Flachenecker，F.，Gassner，H.，Hannik，J.，Lee，D.，Flachenecker，P.，Winkler，J.， 等（2020年）。目的：基于传感器的步态测量反映多发性硬化患者的运动障碍：可穿戴传感器设备的可靠性和临床验证。多。Scler. 相对混乱。39，101903。doi：10.1016/j.msard.2019。 101903哈桑角，澳-地Z. C.的方法，Jailani河，和Tahir，N. M.（2018年）。“ANN和SVM分类器基于三维地面反作用力识别自闭症谱系障碍步态”，TENCON 2018 - 2018 IEEE区域10会议，2436-2440。他，Z.，Liu，T.，Yi，J.（2019）。一种可穿戴传感和训练系统：用于膝关节骨关节炎老年患者的步态康复 IEEE Sensors J.19（4），5936-5945。版权所有© 2019 - 2019 www.jsen.com霍里，K.，毛，Y. F.、Ono，Y.，奥拉，H.，Hirobe，Y.，泽田，H.，等（2020年）。基于惯性测量单元的足部轨迹估计用于临床步态分析。前面生理学10，1530。doi：10.3389/fphys.2019.01530Juen，J.，郑昆，Prietocenturion，V.，Krishnan，J. A.，Schatz，B.（2014年）。通过手机步态分析进行慢性病健康监测。Telemed。J. 电子健康：官 方 J 。 Am. Telemed 。 Assoc.20 （ 11 ） ， 1035-1041 。 doi ： 10.1089/tmj.2014.0025Kostuj，T.，Stief，F.，Hartmann，K.一、Schaper，K.，Arabmotlagh，M.，Baums，M. H、等（2018）。使用牛津足模型确定足功能客观指标与AOFAS踝-后足量表和足功能指数结果之间的相关性：德国前瞻性步态分 析 研 究 。 Bmj Open8（ 4 ） ， e019872. doi ： 10.1136/bmjopen-2017-019872Kwon，Y.，康，K.，和Bae，C.（2014年）。使用智能手机传感器进行人类活动识别的无监督学习 专家系统Appl. 41（14），6067-6074。doi：10.1016/j.eswa.2014.04.037Leardini ， A. ， 贝 内 代 蒂 G. ， 贝 尔 蒂 湖 ， Bettinelli ， D. ， 纳 蒂 沃 河 和Giannini，S.（2007年）。在步态的站立阶段中的后足、中足和前足运动。Gait& Poetry25（3），453-462. doi：10.1016/j.gaitpost.2006.05.017刘，X.，赵，C.，郑，B.，郭昆，张志，乌拉木，等（2020年）。综合足踝运 动 学 特 征 用 于 外 侧 副 韧 带 损 伤 检 测 。 IEEE Access8 ， 188429-188440。doi：10.1109/access.2020.3029616Lorussi，F.，Rocchia，W.，Scilingo，E. P.，Tognetti，A.，和De Rossi，D.（2004年）。可穿戴的，冗余的基于织物的传感器阵列，用于重建身体部 分 的 姿 势 。IEEESensorsJ.4 ， 807-818 。 doi ：10.1109/jsen.2004.837498麦克威廉姆斯湾一、考利，M.，Nicholson，D. E.（2003年）的报告。青少年步态中的足部运动学和动力学。Gait& Poetry17，214-224. doi：10.1016/s0966-6362（02）00103-0Merriaux ， P.， Dupuis ， Y.，布 托河 Vasseur ，P. ，和 Savatier， X. （2017年 ） 。 Vicon 系 统 定 位 性 能 研 究 。 传 感 器 17 （ 7 ） ， 1591 。 doi ：10.3390/s17071591Mundt，M.，Koeppe，A.，David，S.，Witter，T.，Bamer，F.，Potthast，W.，等（2020年）。使用人工神经网络基于模拟和测量IMU数据的步态力 学 估 计 。前 面 Bioeng. Biotechnol. 八 ， 四 十 一 。 doi ： 10.3389/fbioe.2020.00041恩戈，T. T.，Ahad，M. a. R.，Das Antar，A.，艾哈迈德，M.，Muramatsu，D.，Makihara，Y.，等（2019）。“OU-ISIR可穿戴传感器步态挑战：年龄和性别”，2019年国际生物识别会议（Icb）。.电话：021 - 8888888传真：021 -8888888Rasekaba，T.，Lee，A.L.，Naughton，M.T.，威廉斯，T.J.，和Holland，A.E.（2009年）。六分钟步行试验：对心脏病患者有用的指标。Intern.J.39，495-501。doi：10.1111/j.1445-5994.2008.01880.xRavi，D.，黄，C.，罗，B.，杨，G。Z.（2017年）。深度学习方法用于移动或可穿戴设备的节点传感器数据分析。 IEEE J. BioMed. 健康信息。21，56-64. 版权所有© 2018 - 2019 www.jbhi.comRaykov，Y. P.，Boukouvalas，A.，Little，M。A.（2014年）。混合Dirichlet过程的简单近似MAP推断。电子学。J. Stat. 10（2），3548-3578. doi：10.1214/16-EJS 1196Reginya，S.，Meigal，A.是的，格拉西莫瓦-梅加尔湖一、Prokhorov，K.，和Moschevikin，A.（2019年）。利用智能手机惯性测量单元进行人体步态 分 析 。 Int. J. 嵌 入 式 实 时 通 信 系 统 （Ijertcs ） 10 ， 101-117. doi ：10.4018/ijertcs.2019070107Ren，P.，（1996 - 1997），中国地质大学，Karahan，E.，陈春，Luo，R.，耿，Y.，Bosch Bayard，J.F.，等（2017）。帕金森病患者的步态示意图。IEEE Trans.神经系统康复。Eng.25，1257-1267. 版权所有© 2018 -2019 www.tnsre.2016.2622285Saboor，A.，Kask，T.，Kuusik，A.，阿拉姆，M. M.，Le Moullec，Y.，尼亚济岛，智-地K.，等（2020年）。使用可穿戴传感器和机器学习进行步态分析的最新研究趋势：系统综述。 IEEE Access 8，167830-167864。第10条。1109/访问量.2020.3022818Schlachetzki，J.C. M.，巴特，J.，Marxreiter，F.，Gossler，J.，科尔，Z.，Reinfelder，S.， 等（2017）。可穿戴传感器客观地测量帕金森病患者的步态参数。PlosOne12（10），e0183989.doi：10.1371/journal.pone.0183989舒湖，Hua，T.，Wang，Y.是的，李，Q.，和Tao，X. M.（2010年）。基于111织物传感器的鞋内足底压力测量系统，用于步态和平衡分析。 帕金森相关性混乱。16，S32。doi：10.1016/s1353-8020（10）70112-7西蒙，J.，多德林湖，Mcintosh，A.美国，Metaxiotis，D.，Bock，H. G.，和Wolf，S。I. （ 2006 年 ） 。 海 德 堡 足 部 测 量 法 ： 发 展 、 描 述 和 评 估 。 Gait&Poetry23，411-424. d oi：10.1016/j. gaitpost.2005.07.003苏布拉河Diab，M. O.，穆斯林，B。（2016年）。“使用多通道垂直地面反作用力信号识别帕金森病“，2016年智能技术生物工程国际会议（BioSMART），1-4。doi：10.1109/BIOSMART.2016.7835604Springer，S.，和Seligmann，G. Y.（2016年）。Kinect用于步态评估的有效性：重点综述。传感器16（2），194. doi：10.3390/s16020194Sweeney，D.，昆兰湖R.，Browne，P.，理查森，M.，Meskell，P.，还有奥莱金G.（2019年）。可穿戴提示设备解决帕金森病步态冻结的技术综述。传感器19（6），1277. doi：10.3390/s19061277Taborri，J.，Palermo，E.罗西，S.，Cappa，P.（2016）.步态划分方法：系统评价。传感器16（1）、66。doi：10.3390/s16010066塔希尔A. M.，乔杜里，M。E. H、 Khandakar，A.， Al-Hamouz，S.，Abdalla，M.，Awadallah，S.，等（2020年）。用于检测垂直地面的智能鞋垫的设计和表征的系统方法 步态分析中的反作用力（vGRF）。传感器20（4），957. doi：10. 3390/s20040957蒂罗什岛，贝格河，Passmore，E.，和Knopp-Steinberg，N.（2013年）。“用于步态分析的可穿戴纺织传感器袜”，2013年第七届国际传感技术会议（Icst）。doi：10.1109/icsenst.2013.6727727Wang，F.C.的方法，Chen，S.F.、林角，澳-地H、施角，澳-地J.，Lin，L.C.的方法，袁伟，等人（2021年）。使用惯性测量单元的深度神经网络检测和分类中风步态。Sensors21（5），1864.电话：021 - 88888888传真：021 - 88888888Liu等人医疗保健中的步态跟踪和分析计算机科学前沿|www.frontiersin.org8五月2021|第3卷|第661条王伟，Sun，J.D.，李杰，和Zhao，D.（2016年）。“基于Kinect捕获的3D骨架关节的步态识别”，2016年Iceland国际图像处理会议（Icip）。doi：10.1109/icip.2016.7532940Xin，L.，中国地质大学，德政，Z.，Bin，Z.，Qinwei，G.，和Zhongshi，Z.（2021年）。杨角，澳-地M.，Yang，T.L.，杨角，澳-地W.，和Yang，H.（2015年）。的系统和方法使用织物传感器分析步态。Yodpijit，N.，Tavichaiyuth，N.，Jongprasithporn，M.，Songwongamarit，C.，和Sittiwanchai，T.（2017年）。“使用智能手机进行步态分析”，2017年第 三 届 控 制 ， 自 动 化 和 机 器 人 国 际 会 议 （ Iccar ） 。 doi