使用机器学习识别和预测中风患者在不平整地面行走时的步态稳定性指标

中风后在户外保持稳定为何重要

对于许多从中风中恢复的人来说，真正的行走考验不在诊所，而是在户外——在人行道裂缝、草地小径和不平的路缘上行走。这些日常表面静悄悄地增加了绊倒和跌倒的风险。本研究探索了微小运动传感器和现代计算算法如何揭示谁在这样的不平地面上更容易受影响，以及简单的室内行走测试能在多大程度上预测户外的稳定性。

不平地面作为潜在挑战

户外移动对于中风后独立生活和社交至关重要，但许多幸存者报告在户外行走既困难又令人恐惧。不平的地面带来小而不可预测的颠簸，持续考验身体的平衡系统。中风患者常常肌肉无力、反应较慢，这会使这些微小扰动更难应对。尽管如此，大多数常规评估仍集中于平整的室内地面，存在临床评估与日常生活实际情境之间的差距。

佩戴传感器以捕捉真实世界的行走

研究者招募了71名中风患者和39名年龄相近的健康成人。每位参与者在下背部佩戴一个小型运动传感器，分别在平整的10米步道和不平的10米路径上来回行走。这一传感器记录了躯干的上下、左右和前后的运动。研究团队从这些信号计算出若干描述行走模式稳定性或不规则性的指标——有些指标简单描述运动幅度，有些则反映步态随时间的平滑性和节律性。

让计算机找到最有信息量的信号

研究团队没有逐一单独检查每个指标，而是使用机器学习，这是一种可以同时筛选大量变量并找出最有用特征的计算分析方法。他们首先用不平地面行走的传感器数据训练模型，以区分中风患者与健康成人。这些模型的准确率超过95%。有三个信号尤其突出：躯干上下运动的强度（称为垂直均方根，vertical RMS）、前后方向运动随时间的不规则性（样本熵，sample entropy）以及前后方向步态的平滑与节律性（谐波比，harmonic ratio）。它们共同描绘出中风后稳定性下降的清晰图像。

用室内测试预测户外稳定性

接下来，研究者探讨是否可以仅用易于实施的平整地面行走数据来估算这些关键的不平地面指标——以及行走速度本身。他们将简单的室内行走速度与关节角度、肌电活动和传感器读数等信息结合，训练模型预测在不平路径上的表现。室内行走速度被发现尤其重要。那些在平地上行走速度低于约0.8米/秒的中风患者，往往在不平地面上进一步放慢速度并表现出更大的上下躯干位移，这表明他们更难适应挑战。躯干在不平地面上的规律性与平滑度，也部分可以由足接触时踝关节的动作以及在平地上已有的步态平滑性来预测。

这对康复和日常生活意味着什么

对普通读者而言，结论很直接：在下背部佩戴一个小型可穿戴传感器，结合室内行走测试和智能计算分析，可以识别出哪些人在中风后更可能在崎岖人行道上失去稳定。那些在平地上本就走得较慢的人——尤其是低于约0.8米/秒的——更可能在不平地面上步履不稳、动作更颤抖。通过追踪基于传感器的简单标记，如躯干弹跳幅度和步态平滑度，治疗师可以设计更个性化的训练方案，侧重于躯干和踝关节控制，并随时间监测进展。长期来看，这类“数字生物标志物”可能帮助许多中风康复者使户外行走更加安全、更易实现。

引用: Inui, Y., Takamura, Y., Nishi, Y. et al. Identifying and predicting gait stability metrics in people with stroke in uneven-surface walking using machine learning. Sci Rep 16, 5618 (2026). https://doi.org/10.1038/s41598-026-35966-9

关键词: 卒中康复, 步态稳定性, 不平整行走, 可穿戴传感器, 机器学习