步態采集系統可用來進行步態分析。傳統的可穿戴式步態采集系統由于傳感器佩戴位置不同會導致步態參數出現較大誤差。基于標記法的步態采集系統設備成本高昂且需要結合測力系統在康復醫師的指導下使用，由于操作復雜，臨床應用不便。本文設計了一種足壓檢測與Azure Kinect系統結合的步態采集系統，組織15名受試者參與步態試驗、采集相關數據，提出了步態時空參數與關節角度參數計算方法，并將步態分析結果與攝像機標記法所得結果進行了一致性分析和誤差分析。結果表明，本文設計的步態采集系統和作為對照的攝像機系統所獲得參數具有較好的一致性（皮爾遜相關系數r ≥ 0.9，P < 0.05）且具有較小誤差（步態參數的均方根誤差低于0.1，關節角度的均方根誤差低于6）。綜上，本文所提步態采集系統及其參數提取方法可為臨床醫療上的步態特征分析提供可靠的數據采集結果，可作為理論分析的依據。
引用本文： 徐國峰, 陳凱, 楊穎. 一種足壓檢測結合Azure Kinect系統的步態信號采集與參數表征方法. 生物醫學工程學雜志, 2023, 40(2): 350-357, 364. doi: 10.7507/1001-5515.202210026 復制
0 引言
步態分析研究人類行走過程中的時間、空間以及運動學特征。步態信息的變化反映了人體身體健康狀況[1]，可在運動訓練[2]、康復醫學[3-5]及輔助醫療領域提供相應數據作為支撐。尤其在輔助醫療領域，步態分析不僅可為帕金森病的確診提供依據[6-7]，對帕金森病進行預后評估[8]；還可輔助腦癱患者的病情評估[9-10]。除此之外，步態分析還經常用于關節置換手術后的預后分析[11-12]。
目前步態采集系統主要有三種：可穿戴式、標記法及無標記法。可穿戴式步態采集系統通過在人體關鍵部位佩戴傳感器獲取信息，包括壓力傳感器、慣性傳感器和加速度傳感器等。壓力傳感器通過生物力學參數完成步態分割，提取步態信息[13]，可應用于足部病征診斷與手術效果判定[14-15]，但忽略了關節信息[16]。慣性傳感器通過加速度信號對步態事件進行檢測，獲取參數進行分析[17-19]，但無法反映足部的實際變化。
基于標記法的步態采集系統以其高精度運動捕捉性能在科研領域中應用廣泛。此類系統在使用過程中需要在受試者各關節粘貼反光標記物，并要求其在壓力感應平臺上行走，以此獲得四肢運動數據[20-21]。由于測試環境及佩戴標記物的影響，受試者在數據收集過程中會產生不適感，無法以其常規步行方式行走。
基于無標記法的步態采集系統具有非侵入和便捷的優點，本文設計的步態采集系統采用微軟公司發布的人體動作采集系統（Azure Kinect，微軟，美國）作為無標記系統。Antico等[22]對Azure Kinect系統的運動跟蹤準確性進行了評估，驗證了該系統提供各點坐標的準確性，揭示其在康復醫療領域的潛在應用價值。Schlagenhauf等[23]對人體上肢的運動進行了相關研究，比較了同屬Azure Kinect系統公司開發的人體追蹤系統（Kinect v2，微軟，美國）和維康動作捕捉系統（牛津計量有限公司，英國）對關節數據的跟蹤能力，研究表明Kinect系統可以更為準確地跟蹤上肢關節位置。該系統在醫學領域也發揮了其作用，例如測量失調步態[24]、評估上肢異常狀態[25]等。
上述研究表明，可穿戴設備雖然體積小、價格低廉，但操作復雜。基于標記法的步態系統設備成本高昂，且需要專業人員安置多個反光標記結合測力平臺系統使用，結合醫院資源有限的現狀，在臨床使用存在困難。單一的基于無標記法的步態采集系統也存在不足，作者前期研究發現Azure Kinect系統對步態時間參數的判斷較不準確，容易出現誤差[26]。由于當前研究對上下肢關節運動分析的不足[27]與精確的步態參數對臨床診斷的重要意義[28-29]，本文研發了一種基于足壓采集和Azure Kinect系統相結合的便捷式步態采集系統，充分利用了Azure Kinect系統的便捷性與足壓系統對足部信號反應明顯的特性，可通過采集的原始坐標數據和壓力信號，快速提取步態時空參數及行走過程中的關節角度，為臨床醫療上的步態特征分析提供可靠的數據采集結果，并作為理論分析依據。
1 試驗方法
1.1 系統設計
本文所研發的步態采集系統由獲取壓力信號的足壓采集模塊以及獲取關節坐標信號的Azure Kinect系統組成。基于開發工具平臺軟件Visual Studio 2017（微軟，美國）開發上位機平臺，保證足壓采集模塊與Azure Kinect系統獲取的數據幀同步為30 幀/s。其中足壓采集模塊采用薄膜壓力傳感器（深圳博豐盛電子公司，中國）進行壓力信號的采集。根據Hessert等[30]的研究，足底壓力可分為十個區域，其中腳跟受到的壓力最大，其次是拇趾部分。
傳感器分布如圖1所示，根據步態分割的需要以及人體足底區域壓力分布，設計每只腳使用兩個薄膜壓力傳感器以獲取足壓，其中薄膜壓力傳感器1位于拇趾（hallux，HA）部分，薄膜壓力傳感器2位于跟骨內側（medial calcaneus，MC）和跟骨外側（lateral calcaneus，LC）的中心位置。關節跟蹤采用Azure Kinect系統完成。步態采集分析系統工作流程如圖2所示。
圖1
傳感器分布
Figure1.
Sensor distribution
圖2
步態采集系統工作流程圖
Figure2.
Flow chart of gait acquisition system
由于標記法精度較高，本研究將其作為對照的測試系統（后文統稱：攝像機系統），具體為采用兩部采樣頻率為30 幀/s的攝像機（日本勝利公司，GZ-MG21U，日本）對受試者步態進行記錄。兩部攝像機分別放置于步道的兩側，并在人體重要關節安置關節標記點，同時在行走步道上放置步長標記塊。將記錄視頻逐幀拆分后，對圖像建立坐標系，獲取各關節坐標，同時獲取腳跟觸地（foot touch，FT）、腳趾離地（toe off，TO）的關鍵幀，由此得到步行過程中的上下肢關節角度參數及步態時間參數。以地面劃定的步長標記塊作為步幅衡量標準，結合FT、TO關鍵幀，提取步態空間信息，最終提取行走過程的全部步態信息，以此作為試驗的對照組進行分析。
整體系統設計如圖3所示，其中紅色部分為本研究所用對照測試系統（攝像機系統），藍色部分為本研究所設計的步態采集系統。
圖3
系統設計圖及試驗圖
Figure3.
System design and test diagram
1.2 試驗群體
本試驗由杭州電子科技大學10名健康男性和5名健康女性參與，年齡（22 ± 2） 歲之間，其中男性身高為（175 ± 8） cm，體重為（64.5 ± 5.5） kg，女性的身高為（165.5 ± 4.5） cm，體重為（50.5 ± 2.5） kg。本研究通過了浙江中醫藥大學附屬第一醫院倫理委員會的審批（倫理審批號：2020-KL-160-02），且所有受試者簽署了知情同意書。所有參與者左右腳皆安裝了足壓采集模塊，此外在起點前5 m處放置Azure Kinect系統，可通過受試者運動過程中身體關節的坐標獲取上下肢關節運動角度。以抬起左手作為開始測試的事件，完成兩系統時間同步，對三次測試結果取平均值作為一次試驗結果，試驗過程如圖3所示。
2 數據采集及處理
2.1 步態周期的分割及事件選擇
通常步態周期分為兩個主要階段，即支撐相和擺動相。行走過程中的具體步態分割以及兩足足底壓力變換區域如圖4所示，其中足底黑色部分表示行走過程中足底受壓區域。根據行走過程中足底壓力的變化，確定FT和TO作為步態分割的事件。
圖4
步態周期分割圖
Figure4.
Gait cycle segmentation diagram
（1）FT：FT為判斷步態周期起止的事件，通過對其判斷可以獲取步態周期參數。在FT發生的瞬間，腳跟壓力會產生瞬變，因此對腳跟壓力進行微分處理。根據離散型數據的特點，采取向前差商的方法對壓力數據進行處理，以f(x0+h)作為當前值，以f(x0)作為前值，以h作為增量，得到數值微分結果 
，如式(1)所示：
 '/> |
據此可以獲得FT發生的時間點。
（2）TO：TO是步態周期中支撐相的結束和擺動相的開始。TO發生時，薄膜壓力傳感器1采集的數值會瞬間降低。故可以獲得TO發生的時間點。
2.2 步態時空參數及關節角度參數的提取
2.2.1 步態時空參數
根據步態時間參數的定義，步態周期以符號T表示，擺動相時間（swing time，SW），支撐項時間（stance time，ST）的具體計算公式如式(2)所示：
 |
其中，FT(n)表示當前FT時間點，FT(n ? 1)表示前次FT時間點，TO(n ? 1)表示前次TO時間點。
通過Azure Kinect系統獲取步行的起止位置坐標，記起始位置坐標為xstart，終止位置的坐標為xend；通過薄膜壓力傳感器獲取步行開始時間tstart和結束時間tend。結合Azure Kinect系統獲取的深度坐標數據和時間參數得到步態空間參數，平均步速 
和步幅lstride的計算公式如式(3)、式(4)所示：
 |
 |
記當前步態周期內右腳FT時間點為FTR(n)，當前步態周期內左腳FT時間點為FTL(n)，記總步數為N，步長lstep和步頻（frequency，Fre）（以符號Fre表示）的計算公式如式（5）、式（6）所示：
 |
 |
2.2.2 關節角度參數
Azure Kinect系統可以獲取人體各關節的坐標，進而可提取特定關節的角度。本文采用設計函數提取特定關節的角度(以肘部為例)，如圖5所示。圖5中，SHx、SHy、SHz表示肩部關節的坐標；ELx、ELy、ELz表示肘部關節的坐標；WRx、WRy、WRz表示腕部關節的坐標，向量
由肘部指向肩部，向量
由肘部指向腕部，其中α1為關節打開的角度（伸展角），α2為關節彎曲的角度（屈曲角）。
圖5
肘部角度計算圖
Figure5.
Elbow angle calculation diagram
由肘部指向肩部的向量
公式如式（7）所示：
 |
其中，mx、my、mz表示向量
在x、y、z三個方向上的分量，SHx、SHy、SHz表示肩部關節的坐標，ELx、ELy、ELz表示肘部關節的坐標。
由肘部指向腕部的向量
公式如式（8）所示：
 |
其中，lx，、ly，、lz表示向量
在x、y、z三個方向上的分量，WRx、WRy、WRz表示腕部關節的坐標。通過以上所計算的兩向量以及向量之間的反余弦公式可提取肘部關節角度α，如式（9）所示：
 |
3 試驗結果
為評估設計的步態采集系統獲取受試者步態參數及關節角度的準確性，采用統計產品與服務解決方案軟件SPSS（25.0，IBM Inc，美國）對所獲受試者各項參數進行誤差與統計學分析，并與對照的攝像機系統獲取的結果進行對比分析。同時為檢驗均方根誤差（root mean square error , RMSE）是否在可以接受的范圍內，采用布蘭德-奧特曼（Bland-Altman）圖進行回歸分析，通過皮爾遜相關系數和配對t檢驗評估設計的步態采集系統獲取的關鍵步態參數與攝像機系統的相關性與一致性。
3.1 步態時空參數結果
步態采集系統與攝像機系統采集的各項步態時空參數平均值對比，如圖6所示。從圖6中可以發現，通過本研究設計的步態采集系統獲得的參數與攝像機系統基本相同，兩系統間各步態參數的RMSE較小，其中步態周期的RMSE為0.019，支撐相時間的RMSE為0.021，擺動相時間的RMSE為0.022，步長的RMSE為0.035。
圖6
步態參數的平均值
Figure6.
Mean of gait parameters
如圖7所示為兩腳步態周期的Bland-Altman圖及回歸結果。超過90%的樣本點的計算結果都在95%一致性置信區間內，且處于同一回歸線附近。其余步態參數Bland-Altman圖及回歸分析也得到類似結果。對步態采集系統和攝像機系統采集的兩側步態參數進行皮爾遜相關系數（r）和配對t檢驗，結果顯示右側步態周期參數的皮爾遜相關系數最高（r = 0.994，P < 0.05），右側擺動相時間參數的皮爾遜系數最低（r = 0.900，P < 0.05）。在配對t檢驗方面，兩系統提取的所有步態參數均表現出良好的一致性，P > 0. 05，差異不具有統計學意義。
圖7
步態周期Bland-Altman圖及回歸分析
Figure7.
Bland-Altman plot and regression analysis of gait cycle
3.2 關節角度參數結果
隨機抽取一名受試者，其身體左側上下肢關節角度變化曲線如圖8所示，結果顯示步態采集系統與攝像機系統測量的各關節角度變化趨勢基本吻合。
圖8
受試者左側各關節角度變化曲線
Figure8.
Angle change curve of each joint on the left side of subject
如圖9所示為步態采集系統與攝像機系統采集的各關節角度最大值的平均值。對兩系統提取的關節角度參數進行RMSE計算，試驗結果表明，步態采集系統對肩部（RMSE < 2.4）和髖部角度（RMSE < 2.6）的采集更準確，對肘部角度（RMSE < 4.5）和膝部角度(RMSE < 6)的提取誤差較大。
圖9
關節角度最大值的平均值
Figure9.
Mean of maximum joint angles
對步態采集系統獲取的關節角度與攝像機系統進行一致性分析，其結果如圖10所示。因各參數表現相似，此處只展示兩側肩部最大屈曲角Bland-Altman圖及回歸分析結果，結果顯示全部樣本點位于95%一致性置信區間內，且樣本點均勻分布在回歸線兩側，表現出兩系統良好的線性相關性。其余關節角度參數Bland-Altman圖及回歸分析也得到類似結果。對步態采集系統及攝像機系統采集的關節角度參數進行皮爾遜相關系數（r）和配對t檢驗計算，結果顯示右側肩部伸展角皮爾遜系數最高（r = 0.973，P < 0.05），左側肘部屈曲角皮爾遜系數最低（r = 0.901，P < 0.05），兩系統提取的關節角度參數具有相關性。在配對t檢驗方面，兩系統提取的關節角度參數表現出良好的一致性，P > 0.05，差異不具有統計學意義。
圖10
肩部屈曲角Bland-Altman圖及回歸分析
Figure10.
Bland-Altman plot and regression analysis of shoulder flexion angle
4 討論
本研究以攝像機系統為對照測試系統，設計了一種步態采集系統，并對其所采集及計算的步態參數和關節角度與對照測試系統進行了誤差分析和一致性分析。
基于步態時間參數的一致性分析表明，步態時間參數均具有較高的皮爾遜相關系數（r ≥ 0.9）。由Bland-Altman圖分析(如圖7左所示)發現超過95%的試驗結果位于95%一致性置信區間內，且散點均勻分布在零線兩側，幾乎不存在系統誤差，顯示出兩系統之間良好的一致性。通過回歸分析（如圖7右所示）進行驗證，步態周期參數的回歸斜率接近1，且置信區間包含1，回歸截距接近0，置信區間包含0，證明兩系統之間具有很好的一致性。對兩系統測試所得步態時間參數進行配對t檢驗，可以發現兩系統測量的步態時間參數的差異不具有統計學意義（P > 0.05）。在誤差方面，步態周期的誤差非常小，RMSE為0.019，兩腳支撐相時間和擺動相時間誤差同樣處于非常低的水平（RMSE < 0.03），故可認為兩系統之間不存在常數或比例誤差，即兩系統之間支撐相時間和擺動相時間一致。
在步態空間參數方面，相對于步態時間參數，步態空間參數（左右腳步長）具有較大誤差，其RMSE為0.035，但仍處于較低水平，提示本研究所提出步態采集系統計算得到的步態空間參數（步長）與網格規定步長沒有明顯差異。單一采用Azure Kinect系統獲得的步態時空參數標準差約為3，同時采用Azure Kinect系統與足壓采集模塊結合可以將此誤差減小到1[31]。
對于關節角度參數，在一個完整的步態周期中，步態采集系統獲取的人體關節角度與攝像機系統獲取的角度趨于一致，能夠反映行走過程中關節角度的變化，如圖8所示。而如圖9所示，為步態采集系統和攝像機系統采集的各關節角度參數最大值的平均值，結果顯示兩系統獲取的參數結果接近，展現出步態采集系統對關節角度參數獲取的良好能力。對兩系統獲取的各關節角度的最大伸展角和最大屈曲角進行一致性分析，如圖10所示，全部的試驗結果位于95%一致性置信區間內，因此兩系統之間具有較好一致性。誤差方面，各關節的最大伸展角和最大屈曲角誤差均處于低水平（RMSE < 6），因此可認為該步態采集系統可以成功獲取步行過程中重要關節角度值。
目前針對腦卒中、帕金森病患者的康復訓練側重于上下肢訓練及功能評估，但是很少有醫院擁有康復設備，依靠醫生經驗的訓練評估無法提供量化指標，故此類步態采集設備的研究具有重要的意義。且不論單獨使用無標記設備或可穿戴式設備都存在一定的不足，如無標記設備對足部判斷不準確，而可穿戴式設備提供關節角度參數有難度等。基于以上問題，研發出可穿戴式傳感器（薄膜壓力傳感器）與Azure Kinect系統相結合的步態采集系統或可為醫療領域提供有效的量化指標。
5 結束語
本文設計了一種Azure Kinect系統與單一可穿戴傳感器（薄膜壓力傳感器）相結合的步態采集系統，對原始數據進行濾波處理后，提出了包括步態周期等步態時間參數、步長等步態空間參數及步行過程中關節運動角度參數的計算方法。試驗結果表明，步態采集系統與精度較高的攝像機系統具有很高的一致性（皮爾遜相關系數r ≥ 0.9，P < 0.05），且兩系統獲得參數結果的RMSE較小（步態參數的RMSE < 0.1，關節角度的RMSE < 6）。本研究設計的步態采集系統具有便攜以及方便測試的特點，并且能同時采集并計算上下肢的運動信息，為醫療臨床中快速方便采集步態數據提供可能。
重要聲明
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
作者貢獻聲明：徐國峰主要負責系統設計和算法程序設計，同時進行試驗收集數據并完成論文撰寫；楊穎和陳凱主要負責提供實驗指導、數據分析指導以及論文審閱和修訂。
倫理聲明：本研究通過了浙江中醫藥大學附屬第一醫院倫理委員會的審批（批文編號：2020-KL-160-02）
0 引言
步態分析研究人類行走過程中的時間、空間以及運動學特征。步態信息的變化反映了人體身體健康狀況[1]，可在運動訓練[2]、康復醫學[3-5]及輔助醫療領域提供相應數據作為支撐。尤其在輔助醫療領域，步態分析不僅可為帕金森病的確診提供依據[6-7]，對帕金森病進行預后評估[8]；還可輔助腦癱患者的病情評估[9-10]。除此之外，步態分析還經常用于關節置換手術后的預后分析[11-12]。
目前步態采集系統主要有三種：可穿戴式、標記法及無標記法。可穿戴式步態采集系統通過在人體關鍵部位佩戴傳感器獲取信息，包括壓力傳感器、慣性傳感器和加速度傳感器等。壓力傳感器通過生物力學參數完成步態分割，提取步態信息[13]，可應用于足部病征診斷與手術效果判定[14-15]，但忽略了關節信息[16]。慣性傳感器通過加速度信號對步態事件進行檢測，獲取參數進行分析[17-19]，但無法反映足部的實際變化。
基于標記法的步態采集系統以其高精度運動捕捉性能在科研領域中應用廣泛。此類系統在使用過程中需要在受試者各關節粘貼反光標記物，并要求其在壓力感應平臺上行走，以此獲得四肢運動數據[20-21]。由于測試環境及佩戴標記物的影響，受試者在數據收集過程中會產生不適感，無法以其常規步行方式行走。
基于無標記法的步態采集系統具有非侵入和便捷的優點，本文設計的步態采集系統采用微軟公司發布的人體動作采集系統（Azure Kinect，微軟，美國）作為無標記系統。Antico等[22]對Azure Kinect系統的運動跟蹤準確性進行了評估，驗證了該系統提供各點坐標的準確性，揭示其在康復醫療領域的潛在應用價值。Schlagenhauf等[23]對人體上肢的運動進行了相關研究，比較了同屬Azure Kinect系統公司開發的人體追蹤系統（Kinect v2，微軟，美國）和維康動作捕捉系統（牛津計量有限公司，英國）對關節數據的跟蹤能力，研究表明Kinect系統可以更為準確地跟蹤上肢關節位置。該系統在醫學領域也發揮了其作用，例如測量失調步態[24]、評估上肢異常狀態[25]等。
上述研究表明，可穿戴設備雖然體積小、價格低廉，但操作復雜。基于標記法的步態系統設備成本高昂，且需要專業人員安置多個反光標記結合測力平臺系統使用，結合醫院資源有限的現狀，在臨床使用存在困難。單一的基于無標記法的步態采集系統也存在不足，作者前期研究發現Azure Kinect系統對步態時間參數的判斷較不準確，容易出現誤差[26]。由于當前研究對上下肢關節運動分析的不足[27]與精確的步態參數對臨床診斷的重要意義[28-29]，本文研發了一種基于足壓采集和Azure Kinect系統相結合的便捷式步態采集系統，充分利用了Azure Kinect系統的便捷性與足壓系統對足部信號反應明顯的特性，可通過采集的原始坐標數據和壓力信號，快速提取步態時空參數及行走過程中的關節角度，為臨床醫療上的步態特征分析提供可靠的數據采集結果，并作為理論分析依據。
1 試驗方法
1.1 系統設計
本文所研發的步態采集系統由獲取壓力信號的足壓采集模塊以及獲取關節坐標信號的Azure Kinect系統組成。基于開發工具平臺軟件Visual Studio 2017（微軟，美國）開發上位機平臺，保證足壓采集模塊與Azure Kinect系統獲取的數據幀同步為30 幀/s。其中足壓采集模塊采用薄膜壓力傳感器（深圳博豐盛電子公司，中國）進行壓力信號的采集。根據Hessert等[30]的研究，足底壓力可分為十個區域，其中腳跟受到的壓力最大，其次是拇趾部分。
傳感器分布如圖1所示，根據步態分割的需要以及人體足底區域壓力分布，設計每只腳使用兩個薄膜壓力傳感器以獲取足壓，其中薄膜壓力傳感器1位于拇趾（hallux，HA）部分，薄膜壓力傳感器2位于跟骨內側（medial calcaneus，MC）和跟骨外側（lateral calcaneus，LC）的中心位置。關節跟蹤采用Azure Kinect系統完成。步態采集分析系統工作流程如圖2所示。
圖1
傳感器分布
Figure1.
Sensor distribution
圖2
步態采集系統工作流程圖
Figure2.
Flow chart of gait acquisition system
由于標記法精度較高，本研究將其作為對照的測試系統（后文統稱：攝像機系統），具體為采用兩部采樣頻率為30 幀/s的攝像機（日本勝利公司，GZ-MG21U，日本）對受試者步態進行記錄。兩部攝像機分別放置于步道的兩側，并在人體重要關節安置關節標記點，同時在行走步道上放置步長標記塊。將記錄視頻逐幀拆分后，對圖像建立坐標系，獲取各關節坐標，同時獲取腳跟觸地（foot touch，FT）、腳趾離地（toe off，TO）的關鍵幀，由此得到步行過程中的上下肢關節角度參數及步態時間參數。以地面劃定的步長標記塊作為步幅衡量標準，結合FT、TO關鍵幀，提取步態空間信息，最終提取行走過程的全部步態信息，以此作為試驗的對照組進行分析。
整體系統設計如圖3所示，其中紅色部分為本研究所用對照測試系統（攝像機系統），藍色部分為本研究所設計的步態采集系統。
圖3
系統設計圖及試驗圖
Figure3.
System design and test diagram
1.2 試驗群體
本試驗由杭州電子科技大學10名健康男性和5名健康女性參與，年齡（22 ± 2） 歲之間，其中男性身高為（175 ± 8） cm，體重為（64.5 ± 5.5） kg，女性的身高為（165.5 ± 4.5） cm，體重為（50.5 ± 2.5） kg。本研究通過了浙江中醫藥大學附屬第一醫院倫理委員會的審批（倫理審批號：2020-KL-160-02），且所有受試者簽署了知情同意書。所有參與者左右腳皆安裝了足壓采集模塊，此外在起點前5 m處放置Azure Kinect系統，可通過受試者運動過程中身體關節的坐標獲取上下肢關節運動角度。以抬起左手作為開始測試的事件，完成兩系統時間同步，對三次測試結果取平均值作為一次試驗結果，試驗過程如圖3所示。
2 數據采集及處理
2.1 步態周期的分割及事件選擇
通常步態周期分為兩個主要階段，即支撐相和擺動相。行走過程中的具體步態分割以及兩足足底壓力變換區域如圖4所示，其中足底黑色部分表示行走過程中足底受壓區域。根據行走過程中足底壓力的變化，確定FT和TO作為步態分割的事件。
圖4
步態周期分割圖
Figure4.
Gait cycle segmentation diagram
（1）FT：FT為判斷步態周期起止的事件，通過對其判斷可以獲取步態周期參數。在FT發生的瞬間，腳跟壓力會產生瞬變，因此對腳跟壓力進行微分處理。根據離散型數據的特點，采取向前差商的方法對壓力數據進行處理，以f(x0+h)作為當前值，以f(x0)作為前值，以h作為增量，得到數值微分結果 ，如式(1)所示：
| '/> |
據此可以獲得FT發生的時間點。
（2）TO：TO是步態周期中支撐相的結束和擺動相的開始。TO發生時，薄膜壓力傳感器1采集的數值會瞬間降低。故可以獲得TO發生的時間點。
2.2 步態時空參數及關節角度參數的提取
2.2.1 步態時空參數
根據步態時間參數的定義，步態周期以符號T表示，擺動相時間（swing time，SW），支撐項時間（stance time，ST）的具體計算公式如式(2)所示：
|
其中，FT(n)表示當前FT時間點，FT(n ? 1)表示前次FT時間點，TO(n ? 1)表示前次TO時間點。
通過Azure Kinect系統獲取步行的起止位置坐標，記起始位置坐標為xstart，終止位置的坐標為xend；通過薄膜壓力傳感器獲取步行開始時間tstart和結束時間tend。結合Azure Kinect系統獲取的深度坐標數據和時間參數得到步態空間參數，平均步速 和步幅lstride的計算公式如式(3)、式(4)所示：
|
|
記當前步態周期內右腳FT時間點為FTR(n)，當前步態周期內左腳FT時間點為FTL(n)，記總步數為N，步長lstep和步頻（frequency，Fre）（以符號Fre表示）的計算公式如式（5）、式（6）所示：
|
|
2.2.2 關節角度參數
Azure Kinect系統可以獲取人體各關節的坐標，進而可提取特定關節的角度。本文采用設計函數提取特定關節的角度(以肘部為例)，如圖5所示。圖5中，SHx、SHy、SHz表示肩部關節的坐標；ELx、ELy、ELz表示肘部關節的坐標；WRx、WRy、WRz表示腕部關節的坐標，向量由肘部指向肩部，向量由肘部指向腕部，其中α1為關節打開的角度（伸展角），α2為關節彎曲的角度（屈曲角）。
圖5
肘部角度計算圖
Figure5.
Elbow angle calculation diagram
由肘部指向肩部的向量公式如式（7）所示：
|
其中，mx、my、mz表示向量在x、y、z三個方向上的分量，SHx、SHy、SHz表示肩部關節的坐標，ELx、ELy、ELz表示肘部關節的坐標。
由肘部指向腕部的向量公式如式（8）所示：
|
其中，lx，、ly，、lz表示向量在x、y、z三個方向上的分量，WRx、WRy、WRz表示腕部關節的坐標。通過以上所計算的兩向量以及向量之間的反余弦公式可提取肘部關節角度α，如式（9）所示：
|
3 試驗結果
為評估設計的步態采集系統獲取受試者步態參數及關節角度的準確性，采用統計產品與服務解決方案軟件SPSS（25.0，IBM Inc，美國）對所獲受試者各項參數進行誤差與統計學分析，并與對照的攝像機系統獲取的結果進行對比分析。同時為檢驗均方根誤差（root mean square error , RMSE）是否在可以接受的范圍內，采用布蘭德-奧特曼（Bland-Altman）圖進行回歸分析，通過皮爾遜相關系數和配對t檢驗評估設計的步態采集系統獲取的關鍵步態參數與攝像機系統的相關性與一致性。
3.1 步態時空參數結果
步態采集系統與攝像機系統采集的各項步態時空參數平均值對比，如圖6所示。從圖6中可以發現，通過本研究設計的步態采集系統獲得的參數與攝像機系統基本相同，兩系統間各步態參數的RMSE較小，其中步態周期的RMSE為0.019，支撐相時間的RMSE為0.021，擺動相時間的RMSE為0.022，步長的RMSE為0.035。
圖6
步態參數的平均值
Figure6.
Mean of gait parameters
如圖7所示為兩腳步態周期的Bland-Altman圖及回歸結果。超過90%的樣本點的計算結果都在95%一致性置信區間內，且處于同一回歸線附近。其余步態參數Bland-Altman圖及回歸分析也得到類似結果。對步態采集系統和攝像機系統采集的兩側步態參數進行皮爾遜相關系數（r）和配對t檢驗，結果顯示右側步態周期參數的皮爾遜相關系數最高（r = 0.994，P < 0.05），右側擺動相時間參數的皮爾遜系數最低（r = 0.900，P < 0.05）。在配對t檢驗方面，兩系統提取的所有步態參數均表現出良好的一致性，P > 0. 05，差異不具有統計學意義。
圖7
步態周期Bland-Altman圖及回歸分析
Figure7.
Bland-Altman plot and regression analysis of gait cycle
3.2 關節角度參數結果
隨機抽取一名受試者，其身體左側上下肢關節角度變化曲線如圖8所示，結果顯示步態采集系統與攝像機系統測量的各關節角度變化趨勢基本吻合。
圖8
受試者左側各關節角度變化曲線
Figure8.
Angle change curve of each joint on the left side of subject
如圖9所示為步態采集系統與攝像機系統采集的各關節角度最大值的平均值。對兩系統提取的關節角度參數進行RMSE計算，試驗結果表明，步態采集系統對肩部（RMSE < 2.4）和髖部角度（RMSE < 2.6）的采集更準確，對肘部角度（RMSE < 4.5）和膝部角度(RMSE < 6)的提取誤差較大。
圖9
關節角度最大值的平均值
Figure9.
Mean of maximum joint angles
對步態采集系統獲取的關節角度與攝像機系統進行一致性分析，其結果如圖10所示。因各參數表現相似，此處只展示兩側肩部最大屈曲角Bland-Altman圖及回歸分析結果，結果顯示全部樣本點位于95%一致性置信區間內，且樣本點均勻分布在回歸線兩側，表現出兩系統良好的線性相關性。其余關節角度參數Bland-Altman圖及回歸分析也得到類似結果。對步態采集系統及攝像機系統采集的關節角度參數進行皮爾遜相關系數（r）和配對t檢驗計算，結果顯示右側肩部伸展角皮爾遜系數最高（r = 0.973，P < 0.05），左側肘部屈曲角皮爾遜系數最低（r = 0.901，P < 0.05），兩系統提取的關節角度參數具有相關性。在配對t檢驗方面，兩系統提取的關節角度參數表現出良好的一致性，P > 0.05，差異不具有統計學意義。
圖10
肩部屈曲角Bland-Altman圖及回歸分析
Figure10.
Bland-Altman plot and regression analysis of shoulder flexion angle
4 討論
本研究以攝像機系統為對照測試系統，設計了一種步態采集系統，并對其所采集及計算的步態參數和關節角度與對照測試系統進行了誤差分析和一致性分析。
基于步態時間參數的一致性分析表明，步態時間參數均具有較高的皮爾遜相關系數（r ≥ 0.9）。由Bland-Altman圖分析(如圖7左所示)發現超過95%的試驗結果位于95%一致性置信區間內，且散點均勻分布在零線兩側，幾乎不存在系統誤差，顯示出兩系統之間良好的一致性。通過回歸分析（如圖7右所示）進行驗證，步態周期參數的回歸斜率接近1，且置信區間包含1，回歸截距接近0，置信區間包含0，證明兩系統之間具有很好的一致性。對兩系統測試所得步態時間參數進行配對t檢驗，可以發現兩系統測量的步態時間參數的差異不具有統計學意義（P > 0.05）。在誤差方面，步態周期的誤差非常小，RMSE為0.019，兩腳支撐相時間和擺動相時間誤差同樣處于非常低的水平（RMSE < 0.03），故可認為兩系統之間不存在常數或比例誤差，即兩系統之間支撐相時間和擺動相時間一致。
在步態空間參數方面，相對于步態時間參數，步態空間參數（左右腳步長）具有較大誤差，其RMSE為0.035，但仍處于較低水平，提示本研究所提出步態采集系統計算得到的步態空間參數（步長）與網格規定步長沒有明顯差異。單一采用Azure Kinect系統獲得的步態時空參數標準差約為3，同時采用Azure Kinect系統與足壓采集模塊結合可以將此誤差減小到1[31]。
對于關節角度參數，在一個完整的步態周期中，步態采集系統獲取的人體關節角度與攝像機系統獲取的角度趨于一致，能夠反映行走過程中關節角度的變化，如圖8所示。而如圖9所示，為步態采集系統和攝像機系統采集的各關節角度參數最大值的平均值，結果顯示兩系統獲取的參數結果接近，展現出步態采集系統對關節角度參數獲取的良好能力。對兩系統獲取的各關節角度的最大伸展角和最大屈曲角進行一致性分析，如圖10所示，全部的試驗結果位于95%一致性置信區間內，因此兩系統之間具有較好一致性。誤差方面，各關節的最大伸展角和最大屈曲角誤差均處于低水平（RMSE < 6），因此可認為該步態采集系統可以成功獲取步行過程中重要關節角度值。
目前針對腦卒中、帕金森病患者的康復訓練側重于上下肢訓練及功能評估，但是很少有醫院擁有康復設備，依靠醫生經驗的訓練評估無法提供量化指標，故此類步態采集設備的研究具有重要的意義。且不論單獨使用無標記設備或可穿戴式設備都存在一定的不足，如無標記設備對足部判斷不準確，而可穿戴式設備提供關節角度參數有難度等。基于以上問題，研發出可穿戴式傳感器（薄膜壓力傳感器）與Azure Kinect系統相結合的步態采集系統或可為醫療領域提供有效的量化指標。
5 結束語
本文設計了一種Azure Kinect系統與單一可穿戴傳感器（薄膜壓力傳感器）相結合的步態采集系統，對原始數據進行濾波處理后，提出了包括步態周期等步態時間參數、步長等步態空間參數及步行過程中關節運動角度參數的計算方法。試驗結果表明，步態采集系統與精度較高的攝像機系統具有很高的一致性（皮爾遜相關系數r ≥ 0.9，P < 0.05），且兩系統獲得參數結果的RMSE較小（步態參數的RMSE < 0.1，關節角度的RMSE < 6）。本研究設計的步態采集系統具有便攜以及方便測試的特點，并且能同時采集并計算上下肢的運動信息，為醫療臨床中快速方便采集步態數據提供可能。
重要聲明
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
作者貢獻聲明：徐國峰主要負責系統設計和算法程序設計，同時進行試驗收集數據并完成論文撰寫；楊穎和陳凱主要負責提供實驗指導、數據分析指導以及論文審閱和修訂。
倫理聲明：本研究通過了浙江中醫藥大學附屬第一醫院倫理委員會的審批（批文編號：2020-KL-160-02）
