🧬 生物学

Data-Efficient Personalization of Gait Biomechanics: The Predominant Contribution of Subject-Specific Waveform Shape

本研究表明，利用有限的受试者特定数据对下肢关节力矩进行步态生物力学个性化处理，其主要驱动因素是调整时间波形形状而非振幅，从而使预测准确度较群体模型有了显著提升。

原作者： Syed Riyas Ahamed, Sandip Saha, Awani Bhushan

发布于 2026-10-23

📖 1 分钟阅读☕ 轻松阅读

原作者： Syed Riyas Ahamed, Sandip Saha, Awani Bhushan

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

行走是我们共同拥有的节奏，然而每个人的步态都带有独特的印记。几十年来，科学家们一直依赖复杂且昂贵的实验室装置来测量行走时作用在关节上的力量。这些测量数据是设计更佳的假肢、外骨骼和康复工具的金标准，但它们对于日常生活或快速临床检查来说过于笨重。研究人员长期以来一直寻求一种方法，通过简单的可穿戴数据来预测这些关节力，希望能建立一个适用于所有人的通用模型。主流观点一直是，如果我们知道一个人的步行速度，就能以相当高的准确度估算出其髋部、膝部和踝部的受力情况。然而，通用模型很难对任何特定个体都达到完美。关键问题在于如何弥合群体平均值与特定个体之间的差距：个性化一个模型是需要捕捉一个人运动的独特时序，还是仅仅调整力的整体大小就足够了？

印度维拉贡理工学院的一个研究小组通过分析42名健康成年人的行走模式来试图回答这个问题。他们检查了数百次行走试验，以观察是否仅通过步行速度就能预测六个主要下肢关节的受力情况。他们的初步成功是显著的；一个仅基于步行速度的模型可以高精度地预测整个群体的力曲线的总体形状。但研究人员想知道，当他们尝试仅使用极少量的少量新数据来为特定个体定制这个模型时，会发生什么。他们从每个人身上提取了三次短时间的行走过程，以创建一个个性化的修正模型，然后测试这种修正是否能准确预测三次完全陌生的、未见过的行走过程中的受力情况。

结果揭示了一个令人惊讶的重要性层级。当研究人员利用这三次校准试验来调整模型时，预测误差大幅下降，在不同关节上的准确度提升了11%至34%。随后，团队将这种提升进行了分解，以观察个性化的哪一部分起到了核心作用。他们将修正分为两个部分：整体量级（即力的规模大小）以及波形形状（即描述力在每一步中如何上升和下降的具体模式）。他们发现，形状的修正才是主导因素。即便在保持力的大小处于群体平均水平的情况下，仅通过调整力和的时序与模式，依然能产生巨大的准确度提升，使误差减少了14%至25%。相比之下，如果仅调整力的规模而保持模式为通用模式，则几乎没有带来益处，在大多数情况下准确度提升不足2%。

这一发现挑战了“仅仅针对特定个体对模型进行缩放就足够了”的假设。研究人员证明，个体相对于平均值的独特时间模式，比其偏差的总量要重要得多。尽管个体间的力的大小差异很大，但仅捕捉这种差异并不能帮助模型预测未见的行走。个性化的关键在于捕捉误差的具体节奏。该研究表明，对于未来的辅助设备和康复应用，最高效的途径是专注于学习一个人运动残差的独特形状，而非仅仅是其量级。尽管这项研究是在健康参与者身上进行的，并使用了特定的计算流程，但其核心洞察依然稳健：在步态生物力学领域，信号的形状比其体积更为重要。

技术摘要：步态生物力学的低数据效率个性化研究

问题陈述
仪器化步态分析仍然是估计下肢关节力矩的金标准；然而，其对实验室条件的依赖限制了其在临床筛查和辅助设备实时控制中的应用价值。虽然使用可穿戴传感器或群体模型的机器学习方法提供了替代方案，但目前在理解驱动个体化有效性的具体机制方面仍存在关键空白。具体而言，尚不清楚个性化的预测优势是源于个体相对于群体平均值的独特时间形状（temporal shape），还是仅仅源于该偏差的振幅（amplitude/magnitude）。解决这一问题对于开发仅需极少个体特定数据即可实现的低数据效率校准策略至关重要。

研究方法
本研究利用了 Fukuchi 行走生物力学数据集，该数据集包含来自 42 名健康参与者的 328 次行走试验。分析遵循一个四阶段工作流：

生物力学验证： 使用 OpenSim 肌肉骨骼模型（Rajagopal 模型）并缩放至代表性参与者，计算了六个下肢关节（双侧髋、膝、踝）的关节力矩。通过运动捕捉和地面反作用力数据应用逆运动学和逆动力学。
群体建模： 使用五阶谐波傅里叶基函数在归一化步态相位（ $0 \le \phi \le 1$ ）上表示关节力矩波形。训练了一个岭回归模型（ $\alpha=1$ ），根据步速预测傅里叶系数。模型采用 42 名受试者的留一受试者（LOSO）交叉验证方案进行评估。
校准协议： 为每位受试者分配三个试验（T01–T03）用于估计受试者特定的修正值，另外三个独立试验（T04–T06）用于评估。修正值被定义为测量数据与群体预测值之间的平均残差。
形状-振幅分解与消融实验： 将受试者特定的修正值分解为归一化的时间形状（ $s_{s,j}$ $s_{s, j}$ ）和一个标量振幅（ $A_{s,j}$ $A_{s, j}$ ）。为了隔离各组件的贡献，研究采用了嵌套式 LOSO 消融方法：
- 全校准（Full Calibration）： 同时应用受试者特定的形状和振幅。
- 仅形状校准（Shape-Only Calibration）： 应用受试者特定的形状，但将振幅替换为通用的群体振幅。
- 仅振幅校准（Amplitude-Only Calibration）： 应用受试者特定的振幅，但将形状替换为通用的群体形状。
- 群体基准（Population Baseline）： 仅使用步速，不进行任何受试者特定修正。

统计显著性通过对参与者层面的 RMSE 进行配对 Wilcoxon 符号秩检验进行评估，并使用 Holm 逐步下降程序进行多重比较校正。

主要结果

群体预测： 仅基于速度的群体模型在所有六个关节上均实现了极高的准确度（LOSO $R^2$ 范围为 0.70 至 0.92），确立了步速是一个强有力的预测因子。添加人体测量学协变量提供了针对特定关节的边际改进，但并未超越步速作为主要预测因子的地位。
校准功效： 三次试验的受试者特定校准显著降低了独立试验（T04–T06）的预测误差，与群体模型相比，实现了 11.3% 至 34.1% 的汇总 RMSE 降幅。
形状的主导地位： 消融研究表明，残差修正的时间形状是驱动个性化收益的主要因素。
- 仅形状校准实现了 14.0–25.2% 的 RMSE 降幅，在踝关节处甚至优于或等同于全校准。
- 仅振幅校准产生的改进微乎其微（RMSE 降低 0.5–1.9%），且在膝关节处不具备统计学显著性。
- 全校准仅在髋关节处显著优于仅形状校准。
统计显著性： 经过 Holm 校正后，仅形状校准在所有六个关节上均显著改善了预测效果。仅振幅校准仅对髋部和踝部显著，对膝部则不显著。

意义与主张
本文主张，步态生物力学的个性化主要由受试者特定残差的时间形状而非其振幅驱动。这一发现为该框架建立了一个特定的信息层级：步速 $\rightarrow$ 群体波形 $\rightarrow$ 受试者特定残差形状 $\rightarrow$ 受试者特定振幅。

作者得出结论，专注于捕捉个体时间修正模式（形状）而非复杂振幅建模的低数据效率校准策略，足以获得大部分预测收益，而振幅仅在髋部提供额外且较小的增益。这些结果支持了开发个性化康复和辅助设备控制系统的路径，即通过优先获取波形形状而非复杂的振幅建模，实现仅需极少校准数据（如三次试验）的个性化。作者明确指出，这些发现是基于健康参与者的，将其推广至病理步态或现实世界控制应用需要进一步验证。

类似论文