Early Prediction of Imminent Intrinsically Generated Trips During Gait in People Post-Stroke
本研究开发并验证了一种基于双特征线性模型的早期定向预测器，该预测器能在中风后人群即将发生的内源性步态偏移发生前约 191 毫秒，成功识别出 88% 的即刻步态偏移，从而为预防跌倒提供及时的、必要的实时干预。
原始论文采用 CC BY 4.0 许可（https://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
对于数百万正在应对中风后遗症的人来说，行走这一简单的动作都隐藏着危险。虽然许多人认为跌倒是由于失去平衡或被物体绊倒造成的，但相当一部分事故实际上是由于人体自身运动机制中的一个“故障”引起的。当一个人行走时，他们的腿会呈平滑的弧线向前摆动。有时，在没有任何外部障碍物的情况下，脚部未能抬得足够高，从而擦过地面。这种被称为“内在生成性绊倒”（intrinsically generated trip）的内部踉跄，会导致腿部被勾住，使人失去平衡，并往往导致跌倒。对于中风幸存者而言，此类跌倒尤其具有破坏性，经常导致骨折、丧失独立生活能力以及对再次行走的深层恐惧。虽然物理治疗对许多人有所帮助，但它并不总能阻止这些绊倒，而且人体对踉跄的自然反应通常太慢，无法防止跌倒。这留下了一个关键的空白：技术如何能在绊倒发生之前进行足够快速的干预，而不至于不断干扰正常的行走？
北卡罗来纳大学教堂山分校和北卡罗来纳州立大学的研究小组致力于开发一种能够预测这些内在绊倒发生的系统。他们的目标是创造一种类似于智能安全网的方法，仅在必要时介入。他们招募了11名至少在中风六个月前经历过中风，且在过去六个月内至少报告过一次绊倒或近乎跌倒事件的个体。为了在受控环境中研究这些事件，参与者在跑步机上行走，同时研究人员轻轻地挑战他们的注意力。参与者被要求看向脚部以外的地方、松开扶手，或进行如命名食物之类的脑力任务，以模拟导致现实世界事故的干扰。在行走过程中，研究人员使用动作捕捉摄像头追踪他们腿部的精确运动，并记录了脚部对跑步机传送带施加的力量。
研究人员面临的挑战是这些绊倒事件非常罕见。在参与者迈出的数千步中，只有极小比例会导致绊倒或严重的地面摩擦。为了训练计算机识别这些稀有事件，团队必须教会它识别在脚部被勾住之前出现的细微预兆。他们将注意力集中在脚部离开地面之前的时刻，即行走的一个阶段——支撑末期（late stance）。通过分析小腿的角度和摆动速度，他们寻找与正常平滑步伐不同的模式。他们将数据分为两类：正常步态和“异常”步态，后者包括完整的绊倒以及那些脚部撞击地面但人成功恢复平衡的重度摩擦。
研究人员测试了两种帮助计算机从这种不平衡数据（即正常步态远多于危险步态）中学习的方法。一种方法是移除部分正常步态，使两组数据更加均衡；另一种方法则是简单地告诉计算机，将危险步态上的错误视为比正常步态上的错误更严重的错误。第二种方法被证明更为有效。计算机学到最可靠的预兆是脚在离地之前小腿的角度。当绊倒即将发生时，小腿的位置往往比平时更趋于水平，或者说更平坦。通过观察这种特定的姿势，系统可以高精度地识别潜在的绊倒。
最重要的发现是该系统能够做出预测的速度。计算机平均能在绊倒实际开始前的191毫秒发出警报。这是一个至关重要的时间窗口。它明显早于脚离开地面的时刻，而目前的许多设备（如电刺激器）通常是在那个时刻才激活。由于肌肉对电信号的反应需要时间，如果等到脚已经离开地面再行动，往往为时已晚。通过提前近200毫秒预测绊倒，该系统为设备提供了足够的时间来刺激腿部肌肉并抬高脚部，从而在发生勾绊之前避开地面。该系统也在未使用其数据进行建模的参与者身上进行了测试，表现良好，能够正确识别八名参与者中的五名，并且总体上能预测近90%的绊倒。
尽管这项研究是在实验室环境下进行的，且参与者人数有限，但结果展示了一条充满希望的前行路径。研究人员并没有制造出人们今天就能使用的穿戴式设备，但他们证明了预测绊倒所需的数据是存在的，并且可以通过追踪腿部运动的简单传感器找到。这项工作强调，预防此类跌倒的关键不在于持续的辅助（这会令人疲劳且并非必要），而在于精准、及时的干预。通过理解绊倒发生前的特定运动学特征，工程师可以设计出未来的辅助技术，使其仅在身体需要时提供帮助，为中风康复者提供一种更安全、更独立的行走方式。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。