步态分析实验报告

步态分析方案设计
报告说明：我看了五篇关于步态分析的文献，并对其具体实验方法进行归纳。

五篇文献的原文在文件夹中。

最后为我的方案设计。

一、A practical gait analysis system using gyroscop陀es螺仪分析步态本研究是为了调查使用单轴陀螺仪来研制简单便携步态分析系统的可行性。

陀螺仪绑在小腿和大腿的皮肤表面，记录小腿和大腿角速度。

这两部分的倾斜度和膝关节角度都来自角速度。

使用从运动分析系统得到的信号来评估角速度和陀螺仪传来的信号，发现这些信号有不错的相关性。

当转身时，腿部倾斜度和角度信号会发生漂移，有两种方法来解决这个问题：（1）自动复位系统，重新初始化每个步态周期的角度；（2）高通滤波。

两种方法都能很好的纠正漂移。

小腿部的单陀螺仪可以提供以下信息：腿部倾斜度、摆动频率、步数以及步幅和步速的估计。

具体方法：
受试者在步态实验室沿直线行走进行陀螺仪数据收集，陀螺仪用绳子固定在大腿和小腿部，感测轴沿中间-横向方向，以测量矢状平面中的角度。

两个人加入测试，一个是不完整的脊髓损伤，一个没有损伤。

一运动分析系统使用各部分解剖学位置的回射标记物来评估腿部的偏移、腿部的角速度和膝角度。

实验开始前5s，受试者直立站立以初始化倾斜角度和陀螺仪的偏置，随后，对象以一个自己喜欢的速度沿预定路径行走。

进行了三组实验来分析陀螺仪的性能，并计算步幅、步态周期时间和每次行走期间的速度。

第一个实验，数据来自两小腿上陀螺仪的信号，并与未损伤者进行比较。

后两个实验是陀螺仪的数据与运动分析系统进行比较。

第一个实验是比较小腿不同位置的陀螺仪信号，对于同一小腿上的两个点，先站立后倾斜，两个点的角速度、角度应该是相同的，陀螺仪一个放在胫骨关节处，一个放在胫骨靠近踝关节10cm 处。

第二个实验一个放置在大腿髌骨上方10cm处，一个在胫骨靠近踝关节10cm 处，记录的是陀螺仪的角速度。

第三个实验，陀螺仪放置于第二个相同，受试者直行4.5m 然后转身180°。

二、Acoustic Gaits: Gait Analysis With Footstep Sound声s 步态我们描述的是声
步态——从人正常行走时的脚步声推导人的自然步态特征。

我们引入了步态轮廓，这是从通过麦克风收集的脚步声时间信号得到的，可以说明某些时空步态参数，这些参数是通过对声步态轮廓的三个时间信号分析方法提取，三个时间信号分别是平方能量估计、希尔伯特变量和Teager–Kaiser 能量。

通过对这些参数估计的统计学分析，我们发现从步态轮廓获得的时空参数和步态特征可以连续可靠地评估目前用于标准化步态评估的临床和生物测定步态参数信息。

我们的结论是Teager–Kaiser 能量可以在不同时间、地点提供最稳定的步态参数估计。

相对于目前实验室步态分析中使用的昂贵侵入式系统，如测力台、压力垫、可穿戴传感器，声步态使用便宜的麦克风和计算设备制成了准确非侵入式的步态分析系统，而且实验室的一些系统会改变正在测量的步态参数。

具体方法：
在一个安静的房间中使用16 个麦克风记录走路的声音以建立数据库，一个视频摄像头进行视频拍摄。

一共十个受试者加入测试，记录两个场景的数据，第一个是围绕实验室以正常速度顺时针15圈再逆时针15 圈，第二个是穿着不同的鞋顺时针10 圈再逆时针10 圈，如此循环3 次，然后对收集到的声音信号进行处理。

三、Gait analysis using gravitational acceleration measured by wearable sensor 重力加速度分析步态
本研究提供了一种使用可穿戴传感器单元进行人体步态姿势测量的新方法。

传感器包
括三轴加速度传感器、三个与三轴方向一致的陀螺仪传感器。

使用戴在腹部和下肢（大腿、小腿和脚）的7 个传感器测量走路时的加速度和角速度。

从每个部分的长度和角度来计算各关节的三维位置。

各关节的角度可以通过机器来从沿各部分前轴线的重力加速度来估计。

然而，行走时的加速度数据包括了：平移加速度、重力加速度和外部噪声，因此，从加速度数据中分离出加速度数据是一种比较理想的分析方法。

在恒速行走时，加速度数据具有周期性，因此，可以通过FFT 分析获得它的一些特征频率，并利用这些特征频率的某些部分来估计重力加速度。

每个关节的姿态通过对在其生理运动范围条件下的状态进行估计。

通过反馈来作为重力加速度的一个优化方案。

测量了三个健康志愿者在平坦地面行走20s 的步态，同时测量每个部位的加速度数据。

三维行走可以用简笔画模式来进行表达，另外，在水平平面上的膝关节运动可以通过在PC 上的视觉成像进行检查，因此此方法提供了定量步态诊断信息。

具体方法：
使用倾斜度和每个部位的长度来估计关节的三维位置。

各部位的长度从视频中进行测量，倾斜角就等于加速度传感器上的数据。

对数据进行FFT 分析、波分解、重力加速度的测定。

三个被试加入实验，都没有残疾或受伤历史，在平滑的地面直行20s，速度由测试者自己决定。

测量臀部的宽度、髋关节到膝关节的长度、膝关节到踝关节的长度。

我认为，在此试验中，一共只有三个被试，会导致所得结果的普适性很低，而且全部
都是健康没有残疾或受伤历史的人，无法对残疾患者步态进行分析，应该加入更多的被试，并且被试中应有健康人，也有残疾人，并对他们的数据进行对比分析。

四、Kinetic Gait Analysis Using a Low-Cost Insole用鞋垫分析运动步态分析
中风或其他病理原因引起的不正常步态极大地影响了一个人的生活，能够测量和分析步态通常是康复的关键。

运动分析实验室和当前许多步态分析方法都比较贵而不能被大多数人使用。

本系统的低成本、耐磨和无线鞋垫通过低成本的力敏电阻提供了步态的动力学测量。

本文介绍了鞋垫的设计和制造以及其在六个对照组和四个偏瘫患者的评估。

特定的线性回归模型用于确定地面反作用力和力矩以及相应的踝关节屈/跖，膝关节屈曲/伸展，膝关节外展/内收。

与同时收集临床运动分析实验数据的比较表明，对所有人，鞋垫的地面反作用力和踝关节力矩结果相关性很高（都大于0.95），而与两个踝关节的相关性稍低（一般大于0.80）。

本研究提供了一个低成本、高效的移动步态分析方法，此方法可以用于从大型诊
所到个人家庭的任何地方。

具体方法：
具有12 个力敏电阻传感器的鞋垫装配到受试者的鞋里，如下图。

6 个对照被试、4 个中风患者加入实验，所有受试者签署知情同意书。

运动分析设备包括红外运动捕捉相机，两个多轴测力板，还使用了标准下体侵入式步态标记材料。

标记物和模拟信号采样频率为200Hz，使用Vicon Nexus软件进行标记、建模、分析，以及标记数据、模拟数据的导出。

鞋垫数据以118Hz 无线发送到平板电脑。

两个系统的数据通过力敏电阻器和测力板来同步。

五、Gait analysis of patients with knee osteoarthritis before and after Chinese massage treatment 膝关节骨性关节炎患者的中国按摩治疗的前后步态分析这项研究的目的是评估中国按摩治疗在患者的有效性与膝关节骨性关节炎（OA）通过测量下肢步态参数。

招募了20 名膝骨关节炎患者，然后每周3 次接受中国按摩治疗2 周。

的患者使用六摄像机红外运动分析系统进行步态评估。

他们完成了西安大略和麦克马斯特大学骨关节炎指数调查表之前和之后治疗。

计算了前进速度，步长宽度，步长，总支持时间百分比，初始双支持时间百分比，单支持时间百分比。

还测量在站立期间在膝盖，髋部和脚踝的角度阶段的步行。

结果显示统计学意义治疗后膝关节疼痛缓解，硬度减轻和身体功能增强的显着平均差异（P <0.05）。

患者获得显着更快的步态速度，更大的步宽，并增加总支持时间百分比中国按摩治疗（P <0.05）。

曾经有在运动范围内没有显着差异在步行站立阶段期间膝，髋或脚踝的初始接触角。

得出结论中国按摩是一个有益的补充治疗和膝关节OA 患者的短期疼痛缓解的替代疗法选择。

中国按摩可以提高这些患者行走能力。

具体方法：
招募诊断为膝骨关节炎的20 名女性，主要体格检查包括确定运动范围（ROM ）和膝盖疼痛的位置。

前抽屉试验用于评估前十字韧带的损伤，并且使用McMurray 测试来确定是否有半月板损伤。

膝关节OA患者每周三次进行25至30分钟的中国按摩治疗为期2周，由专业的中国按摩治疗师提供。

每个会议包括按和拇指揉在八个穴位世界后健康组织标准针灸点位置14 周围膝盖区域。

在步态实验室所有患者进行赤足步行试验，他们自己选择舒适的步行速度。

记录每个肢体的成功步态周期，每个患者，由测试领导视觉验证。

海伦2海
斯反光标记集用于测定三维运动学数据，使用六摄像机红外运动分析获得系统。

使用EvaRT 进行数据收集，使用OrthoTrak 分析软件评估数据。

步态分析方案：
利用三轴加速度传感器实现人体步态分析
一、方案背景
1.步态分析研究现状目前主流的步态特征分析是基于计算机视觉或在装备了复杂测试设备和分析工具的步态实验室完成，易受动态环境中多方面因素影响 ,数据处理复杂度高 ,而在步态实验室进行的步态特征分析由于设备和场地的限制 , 难以普及。

2.方案目的和意义设计一套采集步态加速度数据的装置对步态做出分析，最终能得出步态分析中的步态基本特征。

本文设计步态数据采集装置能准确提取步态加速度信号 , 对用户的影响小 ,不干扰人的正常活动。

采用的步态参数提取方法能有效地分析测试对象的步态特征。

分析得到的步长、步频、步速几种步态特征之间的相互关系。

二、方案依据和指导思想
1. 三轴加速度传感器 MPU6050 虽然人在做剧烈运动时加速度值可能达到
12 g n , 但人的躯干
的加速度值不会超过 6 g n , 因此 , 用于采集人的步行的加速度传感器的精度范围大多选取在± 6 g n 以内。

本设计采用的三轴加速度传感器MPU6050就可以满足这个要求。

图 1.MPU6050 三轴加速度传感器模块正面
由于三轴加速度传感器的 X，Y，Z 三个轴互相垂直，比用三个单轴
加速度传感器或者一个单轴加速度传感器加一个两轴加速度传感器更有优势，节省电路元件，节省空间，避免造成不必要的干扰。

MPU6050相较于
多组件方案，免除了组合陀螺仪与加速器时间轴之差的问题，减少了大量的封装空间。

用户可程式控制的加速器全格感测范围为± 2g、± 4g±8g 与± 16g。

MPU6050 加速度传感器应用十分广泛，比如：手机和便携式游
戏，各自游戏控制器， 3d 网络连接遥控器 , 机顶盒,3d 小鼠，可穿戴传
感器对健康、健身和体育，玩具等。

2. 正常步态分析
2.
行走时左右足跟（或趾尖）间的纵间距离称为步长 , 而同侧足跟（或趾尖）两次着地间的距离称为步周长或步幅。

步长与身高显著相关,中国青年男性的步长约为 55.0 ～77.5cm , 女性约为 50.0 ～70.0 cm。

身高相同的男、女性步长无显著性差异 , 并且步长随着年龄的增大而下降。

正常的步态具有稳定性、周期性和节律性以及个体差异性。

由于人自然行走的步态加速度信号是准周期的时变信号 , 如果把人放在三维空间中，人在行走时上下前后左右会有周期性的加速度变化。

自相关函数 R xx 提供了信号与其平移 m 时间后所得信号之间关联程度的测度。

周期信号的自相关函数仍然是同频率的周期信号但不保留原信号的相位信息。

并且 ,周期信号的自相关系数在等同于信号周期的延迟时取值最大。

因此 , 自相关函数曲线可反映信号自身的周期性和噪声水平。

一个信号 x( n) , n =1 , 2 , ⋯ , N 的无偏自相关函数定义为：
1 N |m|
R xx(m) 1 x(n)x(n m),m 为任意整数
N |m| n 1
所以加速度传感器 X 和 Z 轴采集到的加速度信号具有周期性，可以用自相关函数处理，可以明显看出 X 和 Z 轴的自相关系数的相邻峰值，并利用峰值之间的间隔(采样点数)和采样频率算出步频的大小，相邻峰值的采样点数、采样频率和步频的关系如下：
步频=60*采样频率 /相邻峰值间采样点数，步频单位：次 /分钟
三、研究方法和步骤
1.研究方法
由于 MPU6050加速度传感器是利用 I2C 模式通讯的，所以对传感器的控制要用带 I2C 数据传输模式的单片机，本文采用
MSP430g2553单片机，加速度传感器其中一个端口 AD0管脚接低电平的时候， I2C 通讯中作为从机的加速度传感器的地址为 0xD0。

单片机采集到的数据在可以经过串口传给电脑，剩下的就可以进行数据分析了。

将 MPU6050加速度传感器和单片机连接好，在将单片机接到电脑上用于采集加速度数据，这些组成一个采集加速度的系统。

加速度传感器的 X、Y、Z 三个方向分别对应测量人体的前后、左右、上下三个方向。

实验需要 20 位健康的受试者， 10位男生和 10 位女生，在一片空旷的环境进行数据样本采集。

将采集装置佩戴于受试者的正后方，
脊柱和腰部交叉部位。

每位受试者采集三组数据，受试者每次按照不同的速度匀速走，按低、中、高三种速度。

每次的数据采集分别
要有采集加速度的系统采集和记录员手动记录时间，总步数，走的
距离。

2.实验步骤
（ 1）将 MPU6050加速度传感器和单片机连接好，在将单片机接到电脑上用于采集加速度数据。

（ 2）20 位受试者，每位受试者采集三组数据，受试者每次按照不同的速度匀速走，按低、中、高三种速度。

每次的数据采集分别要有采集加速度的系统采集和记录员手动记录时间，总步数，走的距离。

（3）根据记录员手动记录到的时间，总步数，走的距离算出步长、步频、步速。

在利用采集到的加速度计算出受试者每种速度下的步频。

四、预期结果和不足
1.采集到加速度数据进行数据分析和人工记录到的步长、步频、步速基本一致。

2.加速度数据经分析后发现步速越大，步长、步频、步幅也跟着增大，但不是完全线性的，因为还会收到处理数据误差和人的主观因素影响。

2.采集到的加速度数据可能还存在很多噪声信号
（1）传感器随身体晃动产生噪声；
（2）加速度信号由模拟信号转变为数字信号的电路中伴随噪声产生；（3）单片机由串口通讯模式传数据到电脑会有电磁干扰；（4）电源带来的工频干扰。

应该在电路中和数据处理中加一些去噪处理，这样采集到的加速度信号更可靠，数据处理得会更准确。