基于多模态信息融合的可穿戴人体步态分析技术研究与应用

Health promotion is an important driving factor of sensor technology application. By means of sensor fusion of wearable sensor data and accurate estimation of human gait parameters, the doctor is able to provide more accurate clinical diagnosis for patients with abnormal gait. However, there still exist a number of problems in sensor data error and algorithm adaptability. This project intends to integrate accelerometer, gyroscope, magnetometer and pressure sensor to build a low-cost, intelligent and lightweight wearable human gait analysis platform. On account of the complexity and diversity of walking motion characteristics, the key is to solve the existing robustness and adaptability problems of current gait analysis algorithm. This project is starting from the sensor physical properties and human physiology structure, aiming to establish lower limb kinematics model constraint using Denavit-Hartenberg method, and solving the applicability problem of the traditional zero velocity update algorithm with Euler-Lagrange equation. Using adaptive threshold algorithm to obtain non-conservative criterion of "zero speed", on the basis of the criterion, digital filter and error correction of gait parameters could be done with multi-level data fusion algorithm, then an identification and parameter estimation method with robust stability characteristics is designed for abnormal gait analysis. The above theory and method could be validated through clinical gait experiments, and the ultimate target is to realize auxiliary diagnosis and exercise rehabilitation plan formulation for patients with abnormal gait. The implementation of this research will provide technical basis for realizing intelligent medical treatment and has clinical practical application value.

人们保持健康是传感器技术利用的重要驱动因素，通过融合多种穿戴式传感器数据并估算人体步态参数，医生就能够为步态异常患者提供更精准的临床诊断。但是目前普遍存在传感器数据误差较大以及算法适应性不足等问题。本项目拟集成加速度计、陀螺仪、磁力计和压敏传感器搭建可穿戴步态分析平台。针对病人步行的复杂性和多变特点，重点解决现有算法的鲁棒性和适应性难题。利用迪纳维特-哈坦伯格参数建立矢状面内的人体下肢运动学模型约束，通过求解欧拉-拉格朗日方程改善传统零速更新算法的适用性；利用自适应多阈值算法得到“零速”的非保守性判据，以该判据为基础，通过构建多模态信息融合算法进行滤波计算和误差修正，提出对异常步态具有鲁棒性的步态参数解算方法，进而达到步态异常患者的辅助智能诊断的目标。该项目的研究结果将为探究人体步态异常机制提供理论依据，对实现智慧医疗提供技术基础，具有显著的实际应用价值。

本项目主要研究内容涵盖人体传感器网络技术、数据融合技术和人工智能算法。主要研究任务包括两部分：融合多模态信息的穿戴式人体步态分析系统研制和基于人工智能的步态异常诊断算法的设计与实现。该项目执行期间，项目负责人深入研究了医学领域的步态特征分类机制和评价模型；跟踪相关领域国内外最新科研动态。为了对本课题所提出的算法进行验证，在理论分析、数值模拟和实验验证的基础上，在大连医科大学附属第二医院进行了初步的临床应用，以对系统进行实验验证和实际应用验证，主要测试项目有两类，一、运动迟缓评估、姿势异常评估：要求患者完成指定的动作，通过与正常人完成动作时的响应时间和姿态情况进行对比，对患者的运动迟缓进行评估定级。二、步态分析：患者按照的规定的路线和距离行走，计算患者行走时步态参数如：步频、步长、廓清、支撑相、摆动相等。根据患者的步态参数来进行定制化分析。该项目取得的创新性成果总结如下：.（1）本项目研究的智能人体下肢运动异常辅助诊断系统，能够基于多层数据融合技术对病患进行康复进程评估，辅助医生进行病情诊断，从运动测试到打印出诊断报告只要五分钟，不需要专人操作，经过示范后，每个医生都能会操作。项目的实施也将建立了面向康复医学领域的临床下肢运动信息数据库。.（2）本项目创新性地将多源异构传感器提供的局部信息加以互补利用，消除数据的冗余和冲突，获得步态参数的一致性描述。解决了传统算法的适用性难题，扩大了步态检测方法可行的参数空间；提高了步态检测的精确性和可靠性。.（3）针对下肢运动异常诊断，在现有的基于时间和空间参数统计量的方法基础上进行拓展，引入相图分析和频域分析，结合数据层融合和决策层融合选取临床可用的显著性特征，能够更有效地评价双侧下肢运动对称性和稳定性；并为运动参数可视化提供了新思路。