引言
准确评估平衡能力对于预防跌倒和针对性康复至关重要，特别是在老年人和神经系统疾病患者中。然而，广泛使用的临床工具如伯格平衡量表（BBS）存在主观性、依赖受控环境和可扩展性差等局限性，使其不适用于连续或现实世界监测。步态分析因其与姿势控制的生理和生物力学耦合而成为推断平衡能力的有前景方法。近年来，可穿戴传感技术的进步促进了基于步态的平衡评估系统的开发，但现有技术如智能鞋垫、肌电图（EMG）和光学运动捕捉系统在准确性、可用性和成本方面存在固有权衡。本研究提出了一种紧凑、无线和可穿戴的基于步态的平衡评估系统，集成了三个微型惯性测量单元（IMU），旨在客观、高效地评估步态特征和平衡能力。
结果与讨论
传感器系统设计与性能验证
研究团队开发了一个多IMU传感器网络和机器学习驱动的平衡评估系统。该系统由三个同步可穿戴IMU组成，每个传感器封装在紧凑轻巧的外壳中（尺寸30×40毫米，重量12.5克）。这些传感器战略性地放置在胸骨和双脚跖骨区域，用于在步态期间实时采集运动数据。胸骨安装的IMU捕获六轴上身运动信号，包括三轴加速度和角速度，而脚部安装的IMU记录与下肢运动学相关的相应数据。
该系统采用中央-外围通信架构，三个独立传感器节点同时连接到单个主机设备。BLE的多连接能力支持从每个节点进行异步数据包传输，同时通过主机上执行的时间戳对齐算法保持时间同步。每个传感器以20-50Hz的可配置采样率运行，提供足够的时间分辨率来捕捉细微的运动变化。
通过静态和动态测试验证了六轴传感性能。静态测试显示所有传感器在没有可观察漂移或噪声的情况下一致测量重力加速度，证明了高稳定性。动态性能评估表明，三个传感器以高保真度和最小相位偏移捕获周期性加速度信号，验证了时间同步和运动跟踪准确性，这对多传感器步态分析至关重要。陀螺仪传感性能测试也证实了在静止和动态条件下的一致性和精确性。
步态特征提取与验证
研究人员实施了一种实时特征提取算法，从收集的传感器数据中推导出临床相关的步态特征。该算法针对10个具有临床和生物力学意义的步态参数，主要来自胸部和双脚记录的三轴加速度和角速度信号。关键特征包括：胸部振幅和频率、脚部振幅和频率（通过快速傅里叶变换/FFT）、步数、步速、步长、摆动与站立时间比、站立时间不对称性以及初始双支撑（IDS）和终末双支撑（TDS）的平均持续时间。
为了评估所开发IMU步态分析系统的可重复性，三名参与者在相同条件下以5公里/小时（1.39米/秒）的恒定速度进行了三次重复的跑步机步行试验。提取的步态参数对每个参与者表现出高度的受试者内一致性，每个提取特征的标准偏差保持在其平均值的约5%以下，证实了特征提取管道的高可重复性和可靠性。
与光学运动捕捉系统的比较验证显示，可穿戴IMU系统与3D光学运动捕捉系统在所有参数上高度一致。具体而言，步频测量偏差为6.5%，IDS和TDS平均值差异低于1%，站立和摆动相位持续时间偏差为6.6%。Bland-Altman分析进一步证实了两个系统之间的定量一致性，支持其在实际步态分析应用中的可行性。
临床验证与机器学习模型开发
基于开发传感器系统在提取步态特征方面的高性能，研究团队调查了其在平衡评估中的适用性。在获得机构审查委员会（IRB）批准后，在梁山釜山国立大学医院进行了一项观察性研究，招募了50名有平衡障碍记录的患者。
参与者被要求佩戴开发的传感器系统，在监督下沿直线室内走廊行走约一分钟每次试验，重复三次以确保数据一致性和减少变异性。记录的传感器数据被处理以提取一系列定量步态特征，随后被选择和精炼作为机器学习基于平衡预测模型的候选输入变量。
收集的临床BBS评分作为参考标签，用于实施一系列机器学习算法，旨在基于选定的步态特征预测平衡性能。通过方差分析（ANOVA）根据F值对10个步态参数进行排名，选择最相关的特征用于后续模型训练和评估。特征选择过程显示步长和步速与BBS有显著影响（F值分别为52.3和39.1），而站立时间不对称性和脚部频率影响较小。
比较了多种机器学习模型的预测性能，包括线性回归、岭回归、随机森林、LASSO、弹性网络、决策树和支持向量回归（SVR）。随机森林模型表现出最高的R2值（0.804），表明在预测BBS方面具有优越性能。Bootstrap分析验证了随机森林模型的统计可靠性，95%置信区间为0.53-0.81，确认该模型为预测BBS提供了足够可靠的结果。
总结与未来工作
本研究提出了一个经过临床验证的紧凑无线平衡评估平台，结合了最小可穿戴传感器配置与实时信号处理和机器学习。该系统利用放置在胸骨和脚部的三个微型IMU传感器在步态期间捕获同步的六轴运动数据。通过BLE通信架构和时间戳对齐，系统确保了在自由生活环境中强大的多节点同步和无中断数据传输。
使用开发的传感器，通过频域和时域处理提取了十个临床有意义的步态特征。该系统实现了高信号保真度（与光学运动捕捉偏差<6.6%）和强大的试验间重复性（标准差<3%），证实了其技术可靠性。利用这些验证的特征，随机森林模型产生了最高的BBS预测精度（R2= 0.804），统计稳健性得到Bootstrap分析支持。
与先前基于IMU的BBS预测研究相比，该研究的创新性在于仅使用三个紧凑IMU从自然步行预测BBS评分，无需执行完整的BBS任务。这种无任务配置增强了临床可用性，同时保持了精确的BLE同步。包括广泛BBS评分范围（16-56）的患者和使用可解释的随机森林模型展示了超越现有方法的强大泛化能力和实际适用性。
实验部分
系统配置和传感器设置包括三个微型无线IMU，每个嵌入在轻巧紧凑的外壳中，通过I2C协议与BLE集成微控制器通信。数据采集和无线同步通过中央-外围架构实现，所有三个传感器节点以20-50Hz的可配置采样率向主机计算机并发流式传输数据。特征提取和信号处理采用双路径算法，在频域和时域提取十个步态特征。实验协议和验证包括传感器精度测试、重复性评估和与3D光学运动捕捉系统的比较分析。临床研究和伦理批准在梁山釜山国立大学医院进行，获得IRB批准。机器学习平衡估计使用提取的步态特征训练多个回归模型，随机森林模型表现出最高预测性能。
