步态是人体在行走过程中各部位执行的周期性运动模式，由运动系统控制，该系统可以用非线性动态模型来描述。这意味着运动行为和步态中的运动方式可以通过表征非线性动态系统的指标来描述。
动态模型最常被确定的属性之一是混沌性评估，它反映了系统对初始条件的敏感性。在混沌系统中，初始条件的微小变化会导致后续状态出现巨大差异。步态数据中的混沌性通常是一个期望的特征，被视为对可能干扰的容忍度，有助于维持平衡。
用于评估系统混沌性的基线指标是最大李雅普诺夫指数（LLE）。对于基于Takens定理重建的相空间，通过计算起始点非常接近的轨迹在相邻轨道上的发散程度来衡量混沌性。这种发散程度通过对初始条件距离与后续状态距离之间的依赖关系进行对数缩放来近似表示。然而，可靠的LLE估计存在严重限制：首先需要包含至少几个步态周期的长时间序列；此外，算法对其参数非常敏感，这些参数与相空间重建（时间延迟和嵌入维度）以及近似过程有关（后者取决于时间域中不同轨道的平均分离度和线性估计的扩展范围）。因此，对于仅包含一个步态周期的序列，无法可靠地计算最大李雅普诺夫指数。
机器学习技术为混沌识别提供了新的可能性。预测方法可以基于训练数据的探索来建立。在我们之前的工作中（Szczęsna等人，2023a），我们发布了包含著名动态模型时间过程的数据集，并使用卷积神经网络（CNN）和长短期记忆（LSTM）神经网络进行了初步实验，取得了很高的性能。
基于步态的人类性别识别问题意味着需要根据行走方式区分女性和男性。在之前的研究中（Świtoński等人，2024；Świtoński和Josiński，2024），我们发现相关维数、样本熵和近似熵能够提供稳健且具有区分性的步态特征，这些特征在性别识别中具有重要意义（Świtoński等人，2024），并且有助于有效分类（Świtoński和Josiński，2024）。
这些发现为提出新的研究方向提供了灵感：(i) 混沌性指标能够提供人类运动的稳健特征；(ii) 机器学习可以有效地识别单周期步态序列中的混沌性。
为了解决这些问题，本文提出了一种与步态序列混沌检测相关的特征提取方法。该方法利用神经网络准确判断单变量时间序列的混沌性，训练阶段使用了著名非线性动态模型的时间过程。随后应用迁移学习，将构建的网络重新用于新的运动数据分析任务，提取包含人体姿态属性的步态周期序列特征，从而获得运动描述符，并评估其在区分女性和男性方面的能力。
本文的主要贡献在于成功地将迁移学习应用于运动数据，为基于步态的性别识别挑战提供了可解释且高效的特征。因此，除了区分性能外，还可以解释所发现差异的本质。
本文的结构如下：第1节介绍文章主题；第2节概述了与步态性别识别、描述动态系统行为的指标在运动数据分析中的应用以及用于混沌预测的机器学习方法相关的工作；第3节介绍了所提出的基于步态的性别识别方法；第4节详细描述了包含被划分为混沌和非混沌类别的著名模型时间过程的数据集，以及女性和男性步态的运动捕捉记录；第5节总结了数值实验的结果；第6节讨论并总结了主要发现，指出了研究的局限性，并提出了未来研究的方向。
