行走是人类一种基本的律动，是大多数人无需思考便能完成的一系列步伐。然而，对于数百万患有帕金森病的人来说，这种律动是脆弱的。这种疾病会导致身体运动出现不可预测的波动，步态变得拖沓、冻结或踉跄，且这种变化可能在每小时内都在发生。长期以来，医生一直依赖简短的门诊就诊来评估这些问题，但在诊所拍摄的“快照”往往无法捕捉到一个人全天运动状态的真实全貌。为了了解该疾病的完整范围，研究人员需要看到患者在他们自己的家中，观察他们在冲咖啡、过马路或穿行于拥挤房间时是如何行走的。面临的挑战在于，如何制造出一种既足够小巧智能以便佩戴在足部，又功能强大到足以在发生的瞬间分析步态，且效率足够高以至于能持续一整天而不耗尽电池的工具。
一支研究团队现在已经开发并测试了这样一个系统。他们开发了一种紧凑型设备，可以附着在鞋子上，并利用微型传感器实时测量运动。与以往那些记录数据并在实验室进行后期分析的系统不同，该设备能直接在传感器所在的位置即时处理信息。研究人员创建了一个两步走的过程来实现这一点。首先，设备会学习区分一个人仅仅是在站立或坐下，还是正处于开始行走的时刻。只有当它检测到实际运动时，才会开启更复杂的分析模式，将行走分解为单个步伐。这种巧妙的设计节省了能量，使设备能够在无需充电的情况下长时间运行，同时确保它只在真正需要的时候才工作。
为了确保该系统在受控环境和混乱的现实环境中都能正常工作，团队以两种截然不同的方式对其创造的系统进行了测试。首先，他们使用了28名帕金森病患者的录音数据，这些患者曾在自己家中连续佩戴过类似的传感器数日之久。他们将这些数据输入系统，模拟实时传输的过程，从而调整设备的设置，使其能够应对这些患者不规则且有时颤抖的步态。他们发现，该系统识别一个人是否正在行走的准确率接近100%。在计数步数和计时方面，该设备的表现非常精准，能够匹配被视为研究领域“金标准”的更大型离线计算机系统的性能。
为了证明该系统确实可以实时运行，研究人员随后在18名健康志愿者身上测试了最终的硬件。这些参与者在实验室中行走并佩戴该设备，设备在他们移动时将数据无线传输到计算机。结果显示，从感知脚部落地到将结果发送到计算机，整个过程仅耗时一秒多一点。该设备计算每次步幅的时间误差仅为0.3%，这一精度足以捕捉到通常预示帕金森症状恶化的步行速度和节奏的细微变化。
这个项目的成功在于其在功能与简洁性之间的平衡。通过使用基于运动物理学的简单规则，而非需要强大计算能力的复杂人工智能模型，研究人员保持了设备的轻巧与高效。最终产品是一个大约火柴盒大小的小盒子，可以绑在鞋子上。它不需要连接计算机或云服务器即可工作；它本身就能进行思考。这种能力为持续监测打开了大门，医生和患者可以借此观察全天的移动能力变化，从而可能更好地掌握用药时机并及早发现跌倒风险。虽然该系统在健康人群和来自患者的模拟实时数据上经过了严格测试，但研究人员指出，最终的考验将是观察它在患者不受监控的日常生活中佩戴时的表现。目前，这项工作证明了将详细的步态分析能力从实验室带入现实世界是可能的，为监护那些最需要的人群的行走律动提供了一种新途径。
技术摘要：可穿戴设备上的实时与真实世界步态监测
问题陈述
步态障碍是帕金森病（PD）的主要表现形式，其特征是进行性恶化以及诸如冻结步态和跌倒等瞬时波动。虽然定量步态评估对于监测疾病进展和治疗效果至关重要，但现有系统通常依赖于离线处理或基于实验室的设备。这些局限性阻碍了在日常生活中捕捉瞬时步态变化的能力。此外，尽管数据驱动方法（如深度学习）在离线分析方面展现出潜力，但它们通常需要强大的处理单元、多传感器配置或外部计算资源，这使得它们不适用于在嵌入式可穿戴平台上进行持续、无感且低延迟的监测。目前迫切需要一种轻量级的、全嵌入式的系统，能够在满足 PD 患者日常监测的计算和能量约束下，实现实时的、设备端（on-device）的步态分析。
方法论
本研究开发并验证了一种用于实时步态分析的全嵌入式鞋穿式传感器系统。该方法包含三个主要部分：硬件架构、算法设计和两阶段验证框架。
- 硬件架构： 系统采用基于微控制器的处理单元（最初为集成有 Nordic nRF52833 SoC 和 Arm Cortex-M4 处理器的 ANNA-B4 评估板），并集成了 LSM6DSO 惯性测量单元（IMU）。该 IMU 以 100 Hz 的频率采集三轴加速度计（±16 g）和陀螺仪（±2000 °/s）数据。系统设计紧凑（约 2.5 x 3.5 cm），并通过蓝牙 5.1 将处理后的步态参数传输至外部客户端。
- 算法流水线： 软件采用两阶段、基于规则的算法，以确保低延迟和确定性执行：
- 运动检测： 使用基于阈值的分类器，通过陀螺仪信号范数（Gyr-norm）区分运动状态与非运动状态。这一阶段防止了在非行走期间进行不必要的处理。
- 事件检测与步幅分割： 一旦检测到运动，算法将在 3 秒重叠分析窗口内处理陀螺仪 y 轴信号。它按顺序识别四个关键步态事件：通过负峰值识别摆动中期（MSW）、通过过零点识别末端接触（TC）、通过正峰值识别初始接触（IC）以及通过零速度间隔识别支撑中期（MST）。
- 参数估计： 基于这些事件，系统计算时间参数：步幅时间（Stride Time）、摆动时间（Swing Time）和支撑时间（Stance Time）。
- 数据集与验证：
- FallRiskPD 数据集： 用于算法开发和参数优化。该数据集包含来自 28 名 PD 患者的居家和实验室记录。数据被模拟为实时流进行交叉验证（4 折），以调整运动检测和步态分析的参数。
- TestES 数据集： 一个包含 18 名健康参与者的独立数据集，用于进行真正的实时、端到端系统验证。该组受试者进行了受监督和自主进行的行走任务，以测试实时系统的性能，包括无线传输和参数交付。
关键结果
- 运动检测： 使用优化的 Gyr-norm 系统在 PD 居家记录上的 F1 分数为 88.4%，在 TestES 数据集上为 98.0%。至关重要的是，它在 PD 居家数据上保持了 99.9% 的步态召回率，确保几乎所有的行走阶段都被检测到。
- 步幅分割： 系统在 PD 居家记录上的 F1 分数为 85.4%，在 TestES 数据集上为 95.4%（与动态时间规整参考值相比）。
- 时间准确度： 相对于离线参考方法，系统在时间参数方面表现出高准确度：
- 步幅时间：绝对百分比误差（APE）在 PD 居家记录中为 0.3%，在 TestES 中为 0.0 ± 0.3%。
- 摆动时间：PD 居家记录中 APE 为 6.5%，TestES 中为 4.6%。
- 支撑时间：PD 居家记录中 APE 为 3.6%，TestES 中为 2.5%。
- 计算性能： 系统运行具有低延迟特性。平均单次更新运行时间为 1.245 ms，最坏情况执行时间为 9.219 ms。平均参数交付延迟为 1.169 秒，这主要是由实现稳健事件检测所需的 3 秒分析窗口驱动的。
意义与主张
作者声称，这项工作展示了一个具有全嵌入式处理能力的便携式实时步态分析系统，成功弥合了临床级精度与可穿戴设备资源约束之间的差距。该研究的意义在于：
- 现实世界适用性： 不同于许多仅在实验室环境下针对健康受试者进行验证的先前研究，本系统利用 PD 患者的无监督居家记录进行优化以调整参数，证明了其针对日常生活中变异性和伪影的鲁棒性。然而，研究明确指出，在当前的验证阶段，将传感器硬件部署于 PD 患者进行无监督的现实世界使用超出了伦理和物流范围。
- 低延迟设备端处理： 通过利用轻量级的基于规则的启发式流水线而非计算密集型的机器学习模型，系统实现了低延迟和低功耗的持续监测，适用于长期部署。
- 干预基础： 该系统实时计算步态时间参数的能力，为未来的实时反馈和干预策略提供了技术基础，特别是针对 PD 患者运动波动和潜在跌倒风险的检测。
论文得出结论，虽然系统在模拟的 PD 患者实时数据和健康对照组的实时数据上表现可靠，但无法推断其在 PD 患者身上的实时表现，且仍需进一步测试。当前结果表明，轻量级的两阶段流水线可以提供与离线方法相当的可靠、连续步态评估，在等待在无监督现实世界设置中进行进一步验证的同时，为以患者为中心的监测提供了一种实用的替代方案。
每周获取最佳 electrical engineering 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。