使用可穿戴惯性传感器及有监督和无监督机器学习识别中风患者关键步态特征

中风后行走为何重要

中风常常将原本简单的房间内行走变成日常的艰难挑战。对于许多幸存者而言，腿部、躯干和头部的运动质量决定了他们是否能独立生活、避免跌倒并重返工作或社交生活。本研究探讨了如何通过小型可穿戴传感器和智能计算程序捕捉中风后步态的隐藏特征，帮助临床人员看到肉眼之外的信息，并为更有针对性的康复铺平道路。

用小型可穿戴设备测量步态

研究人员为85名中风患者和97名健康志愿者佩戴了五个硬币大小的运动传感器。传感器分别放置在额头、胸部、下背部和双小腿，参与者以平常的步速在十米来回行走。传感器记录了身体在三维空间中的运动，不仅捕捉速度和步长，还记录了躯干和头部的平滑性与稳定性，以及双腿分担工作的均衡程度。研究团队从这些记录中计算出79个不同的量化指标，描述步时、左右对称性、步间变异性以及上半身运动的平滑与稳定等特征。

教计算机识别异常步态

在众多候选指标中，挑战在于找出真正能区分中风幸存者与健康行者的那些。团队使用了三种不同的机器学习方法，均用于将个体按步态分为两类：k近邻、支持向量机和决策树。他们先用标准统计检验剔除明显无用的指标，然后移除那些几乎重复的指标。最后采用逐步剪枝的方法，在每一步训练算法并移除一个指标，保留那些在不降低分类准确率的情况下的指标。在对数据进行多次随机划分的测试中，机器约在九成情况下正确区分中风与健康参与者，且支持向量机表现最好且最稳定。

聚焦最具指示性的步态线索

从最初的79个指标中，过程将清单缩减到仅9个承载大部分有用信息的指标。这些指标涵盖了行走速度、步时变异程度、躯干左右运动的对称性，以及头部和胸部在前后和左右方向的运动平滑性。值得注意的是，头部运动的平滑度成为一种新颖且强有力的中风步态标志，提示平衡、视线稳定和大脑在行走时整合来自内耳与身体信号的能力可能存在问题。令人意外的是，传统的左右步幅不对称指标未能通过筛选，可能是因为中风能以多种方式破坏步态，削弱了这些指标稳定区分群体的能力。

让数据自行分群

为了检验这些选出的步态线索是否真正有信息量——而不仅仅是对特定学习方法适配——研究者接着使用了无监督技术。他们没有告诉计算机谁是中风患者，而是直接输入所选指标，要求其根据相似性形成两类。采用一种称为k-medoids的方法并使用多种距离度量，结果显示只需三项指标——总体行走速度、站立期变异程度和一个与对称性相关的躯干信号——就足以将人群以约90%的准确率分为中风或健康。侧重于指标间模式而非绝对大小的距离规则在重复测试中被证明最稳定。

对日常护理的意义

对非专业人士而言，核心信息是：短时间佩戴五个小传感器的步行检测即可揭示中风改变个体步态的浓缩“指纹”。计算机仅需少量精心挑选的运动指标——行走速度、步伐稳定性以及躯干与头部的平滑度——就能可靠地区分中风步态与健康步态。这一洞见使我们更接近简单、临床友好的工具，能客观地跟踪康复进程、揭示隐藏的平衡问题，并帮助治疗师制定更有针对性的训练方案。若能进一步实现实时运行并在更广泛的患者群体中验证，这类系统有望成为中风康复的日常辅助手段，将每一步转化为通向更安全、更自信行走的有用反馈。

引用: Brasiliano, P., Orejel-Bustos, A.S., Belluscio, V. et al. Identifying key gait features in stroke patients using wearable inertial sensors and supervised and unsupervised machine learning. Sci Rep 16, 8908 (2026). https://doi.org/10.1038/s41598-026-43666-7

关键词: 中风 步态, 可穿戴 传感器, 机器学习, 康复, 步行 稳定性