⚡ electrical engineering

Deep Learning-Based Estimation of Ground Reaction Forces in Parkinsonian Gait Using an Optimized Set of IMU Data

本研究引入了一种利用混合 CNN-BiLSTM 模型和优化的四传感器 IMU 配置的创新深度学习框架，用于准确估算帕金森病患者的双侧垂直地面反作用力，为可穿戴步态分析和远程监测提供了一种实用且可扩展的解决方案。

原作者： Run Lin, Yingtian Tang, Jiawen Xu, Dongfei Huo, Lefan Wang, Helen Dawes, Dominic J. Farris, Dong Wang, Xijin Hua

发布于 2026-08-04

📖 1 分钟阅读☕ 轻松阅读

原作者： Run Lin, Yingtian Tang, Jiawen Xu, Dongfei Huo, Lefan Wang, Helen Dawes, Dominic J. Farris, Dong Wang, Xijin Hua

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，仅仅通过听着汽车在颠簸路面上行驶时的声音，就试图理解发动机的工作原理。这本质上就是科学家研究人类步态的方式。几十年来，测量我们足部撞击地面力量（称为地面反作用力，GRF）的“金标准”是只有在高端实验室中才能见到的巨大且昂贵的压力垫。这就像拥有一个超级精确的速度陷阱，但你只能在特定的地点使用它。这使得观察一个人在自己家中、在公园里或是在赶公交车时是如何走路变得不可能。

于是，出现了不起不起的惯性测量单元（IMU）。把它们想象成你智能手机或智能手表中那些微小且极其智能的加速度计。它们可以在任何地方、任何时间测量运动和倾斜。科学家们一直以来的大问题是：我们能否利用这些小传感器，结合一种被称为“深度学习”的强大计算机大脑，来准确推测出一个人脚部撞击地面的力度，甚至当这个人的行走方式变得陌生或不稳定时？对于帕金森病患者来说，这尤其困难，因为他们的步行模式可能像一段即兴爵士乐一样难以捉摸，充满了突然的停顿、拖步和摇晃。如果我们能破解这个密码，我们就能为医生提供一种在患者客厅里监测其健康状况的方法，在发生危险跌倒之前发现问题。

论文的核心思想：教计算机去“感受”行走

这项研究就像一个侦探故事，调查人员试图找出使用一套微型运动传感器来推测帕金森式步态中无形力量的最佳方法。研究人员构建了一个特殊的计算机模型——一个由两部分协同工作的混合大脑。其中一部分是 CNN，它像是一个模式识别器，观察来自传感器的原始数据以寻找局部线索。另一部分是 BiLSTM，它像是一个穿越时空的讲述者，通过回顾动作的前后序列来理解整个故事。他们利用来自 61 名帕金森病患者和 65 名健康老年人的数据对该模型进行了训练，使用了全身 13 个传感器（从额头到脚部）组成的完整传感器组。

他们的发现：“传感器甜点区”

结果令人惊喜。当计算机模型在它已经“见过”的人身上进行测试时（即在训练集中的同一人群），它预测地面力量的准确度极高，达到了 98%。但真正的考验是看它是否能预测一个它从未见过的“新”人的步态。即便如此，它的表现依然强劲，对帕金森患者的预测准确率约为 91%，对健康人的预测准确率约为 93%。

然而，最令人兴奋的发现不仅在于模型有效，更在于它是“如何”发挥最佳效果的。研究人员意识到，你并不需要把传感器绑在每一个身体部位才能获得完美的答案。事实上，他们发现，对于帕金森患者和健康人来说，放置传感器的“最佳”位置是不同的。对于健康组，脚部的传感器效果最好。但对于帕金森组，虽然脚部的传感器很棒，但再加上额头和下背部的传感器会带来巨大的提升。

神奇数字：两个还是四个？

这里有一个有趣的部分：研究人员玩了一场“我们最少可以使用多少个传感器？”的游戏。他们测试了从 1 个到 10 个传感器的每一种可能的组合。

单传感器陷阱： 他们发现，对于帕金森患者，仅使用一个传感器是个坏主意。准确度显著下降，就像试图通过单一帧画面来猜出整部电影的情节。
四传感器冠军： 获得最高准确度的绝对最佳配置是使用四个传感器：一个在左脚，一个在右小腿，一个在右大腿，以及一个在额头。这套配置给出了 0.93 的“得分”（其中 1.0 代表完美）。
双传感器英雄： 但这里有一个酷炫的转折。他们发现，仅使用两个传感器——一个在左脚，一个在额头——的配置几乎与四传感器配置一样出色。它依然能达到 0.91 的准确度得分。

这意味着什么

论文表明，我们不需要穿戴全套传感器服就能有效地监测帕金森病的步态。一个简单的、轻便的、仅有两个传感器的配置就足以给医生提供可靠的步态图像。这意义重大，因为这意味着这项技术可以变得更加舒适，并让患者在日常生活中更易于佩戴。研究还明确反对“同样的传感器配置适用于所有人”的观点；适合健康人的配置对帕金森患者可能并不适用，计算机模型需要针对特定病情进行调整。

虽然这项研究结合了真实的传感器数据和一些用于额外测试的计算机生成的“虚拟”传感器，但结果强烈表明，这种深度学习方法是将会话式的简单运动数据转化为理解和帮助帕金森病患者的强大工具的稳健途径。这是向着让高科技医疗监测变得像穿着一双智能鞋一样简单且不显眼的迈出的重要一步。

技术摘要：基于深度学习的帕金森步态地面反作用力估算

问题陈述
准确的步态分析对于帕金森病（PD）的诊断、治疗规划和监测至关重要，然而传统的分析方法依赖于实验室环境下的测力台，这在连续、现实场景的应用中并不实用。虽然惯性测量单元（IMUs）提供了一种便携式的替代方案，但在估计帕金森病病理性步态的地面反作用力（GRFs）方面仍面临挑战，这是由于 PD 运动具有高度的变异性、不对称性和复杂性。现有的方法通常依赖于基于物理的模型（例如逆动力学、肌肉骨骼模型），这些模型难以应对 PD 步态的非周期性和不对称性；或者依赖于数据驱动的方法，但这些方法主要仅在健康人群中得到验证。此外，针对 PD 患者的最佳 IMU 数量和放置位置尚不明确，目前的许多设置需要多个传感器，这降低了患者的依从性。

研究方法
本研究提出了一种利用混合卷积神经网络-双向长短期记忆网络（CNN-BiLSTM）架构的深度学习框架，旨在通过可穿戴式 IMU 数据估算双侧垂直地面反作用力（vGRFs）。

数据集： 主要数据集包含 126 名参与者（61 名 PD 患者，65 名健康对照组），他们在各种行走任务（自定步速、快速步速和计时起走测试）中佩戴 13 个 IMU。一个包含 26 名 PD 患者的独立外部数据集被用于跨数据集验证，其中虚拟 IMU 信号是通过运动捕捉数据生成的。
模型架构： 提出的 CNN-BiLSTM 模型处理三轴加速度和角速度信号。CNN 模块从 IMU 数据中提取空间特征，而 BiLSTM 模块则以双向方式捕捉时间依赖性。输出为估算的左右两侧 vGRF 序列。
实验设计：
- 评估协议： 性能评估在受试者内（特定受试者的训练/测试）和受试者间（在部分受试者上进行训练，在未见过的受试者上进行测试）设置下进行。
- 基准对比： 将提出的模型与多层感知器（MLP）、时间卷积网络（TCN）、Transformer 以及消融变体（仅 CNN、仅 BiLSTM）进行了比较。
- 消融与配置研究： 为了确定最佳传感器设置，作者系统地评估了 1 到 10 个 IMU 的 1,023 种独特组合（在通过筛选低性能单传感器后，从最初的 13 个位置中选取）。这包括分析传感器数量和特定解剖位置对估算精度的影响。

核心贡献

首次将深度学习应用于 PD vGRF： 本研究是首个调查并应用深度学习框架专门用于估算帕金森步态中双侧 vGRF 的研究，填补了现有文献主要关注健康人群或基于物理模型的空白。
优化的传感器配置： 研究发现，PD 患者与健康对照组的最佳传感器放置位置存在显著差异。研究系统地评估了传感器数量，证明虽然四个 IMU 能产生最高的精度，但最少两个 IMU 的设置在实际应用中提供了良好的权衡。
鲁棒的受试者间泛化能力： 该框架展示了强大的跨未见受试者及外部数据集的泛化能力，验证了其无需进行广泛的受试者特定校准即可进行现实世界部署的潜力。

结果

准确度： CNN-BiLSTM 模型实现了极高的受试者内准确度（ $R^2 = 0.98$ ）和强大的受试者间泛化能力（健康对照组 $R^2 = 0.93$ ，PD 患者 $R^2 = 0.91$ ）。
模型比较： 提出的混合 CNN-BiLSTM 架构优于所有基准模型（MLP、TCN、Transformer）及消融变体，证实了将空间特征提取与双向时间建模相结合对于该任务的必要性。
传感器放置： 单 IMU 分析显示，左足背（LD）是 PD 患者最有效的单传感器，而健康对照组在双侧足背传感器处表现最好。值得注意的是，与对照组相比，PD 患者对传感器放置和侧向不对称性表现出更高的敏感性。
传感器数量： 随着 IMU 数量从 1 个增加到 4 个，估算精度不断提高，之后进入平台期。
- 最优配置： 放置在左足背（LD）、右踝（RA）、右小腿（RS）和额头（FH）的四个 IMU 达到了最高性能。
- 最小配置： 采用两个 IMU（LD 和 FH）的设置达到了与四传感器设置相当的准确度（ $R^2 = 0.91 \pm 0.09$ ），提供了一个精简的解决方案。
外部验证： 在使用 12 个虚拟 IMU 的外部 PD 数据集上进行的跨数据集验证结果与主要数据集一致（ $R^2 = 0.86$ ），支持了模型的泛化性。

意义与主张
本文声称，所提出的方法为帕金森病的基于可穿戴设备的 vGRF 步态分析提供了一种实用且可扩展的解决方案。通过确定一个能保持稳健估算精度的最小化双传感器配置，本研究解决了测量精度与患者依从性之间的关键平衡。作者断言，该框架支持开发面向神经系统疾病人群的便捷临床评估、远程监控和个性化康复系统。研究强调，疾病特异性的验证至关重要，因为适用于健康个体的传感器策略可能无法直接转化为病理性步态。最终，这项工作为针对帕金森运动独特生物力学特征量身定制的智能可穿戴步态分析系统奠定了基础。

技术摘要：基于深度学习的帕金森步态地面反作用力估算

类似论文