基于加速度的人体步态信息多尺度熵：特征提取、分析与应用研究.docxVIP

基于加速度的人体步态信息多尺度熵：特征提取、分析与应用研究

一、引言

1.1研究背景与意义

人体步态，作为人类行走时的独特行为模式，蕴含着丰富的生理和行为信息，如同个体的生物特征密码。它不仅反映了人体的生理结构、运动控制系统的状态，还与个体的行为习惯、心理状态等密切相关。在医疗领域，通过对步态信息的深入分析，医生能够早期发现潜在的健康问题，为疾病的预防和诊断提供有力依据。例如，帕金森病患者在疾病早期，其步态会出现微小但可检测的变化，如步幅减小、步频加快、手臂摆动幅度降低等，这些特征变化对于疾病的早期诊断和病情监测具有重要意义。对于康复治疗，精确的步态分析能够帮助医生制定个性化的康复方案，评估康复效果，助力患者恢复正常行走功能。在安防领域，步态识别技术凭借其远距离、非接触式的识别优势，能够在复杂环境中对人员进行身份识别和行为监测，为公共安全提供了新的保障手段。在机场、火车站等人员密集场所，步态识别系统可以快速筛查出可疑人员，有效提高安防效率。在运动科学领域，步态分析则成为提升运动员训练效果和竞技水平的关键工具。通过对运动员步态的精确分析，教练能够发现运动员在运动技术上的不足，如步幅与步频的不合理搭配、关节发力的不协调等，从而制定针对性的训练计划，优化运动技术，减少运动损伤的风险。

加速度信号作为反映步态信息的重要载体，能够从多个维度展现人体运动系统的动态变化。三轴加速度传感器可以精确测量人体在行走过程中三个方向（前后、左右、上下）的加速度变化，这些数据为步态分析提供了丰富的原始信息。多尺度熵分析方法，作为一种强大的非线性动力学分析工具，能够在不同时间尺度上对复杂系统的动态变化进行定量描述。在步态加速度信号分析中，多尺度熵能够挖掘出信号中隐藏的复杂度和规律性信息，揭示人体运动的内在机制。不同时间尺度下的熵值变化可以反映出人体在行走过程中神经系统对运动的控制精度、肌肉的协调程度以及身体的平衡能力等。多尺度熵分析还能够有效处理噪声干扰和信号的非平稳性，提高步态特征提取的准确性和可靠性。

1.2国内外研究现状

在人体步态加速度信号采集方面，国内外学者已经开展了大量的研究工作，并取得了一系列重要成果。早期的研究主要采用有线式传感器进行数据采集，这种方式虽然能够保证数据的稳定性，但在实际应用中受到线缆束缚的限制，使得被试者的活动范围受到极大制约，无法满足自然行走状态下的数据采集需求。随着无线通信技术和微电子技术的飞速发展，无线可穿戴式加速度传感器逐渐成为主流的数据采集设备。HeikkiAilisto等人提出采用加速度传感器获取步态数据的新方法，有效避免了动态环境中多方面因素对捕捉图像的不利影响，降低了数据处理的难度，开辟了步态数据获取的新途径。目前市场上已经出现了多种高性能的无线加速度传感器，如MPU6050、MMA7260等，这些传感器具有体积小、功耗低、精度高、采样率灵活等优点，能够实时准确地采集人体在各种活动状态下的加速度信号。研究人员还在不断探索传感器的最佳佩戴位置，以获取最能反映步态特征的加速度数据。通过大量的实验研究发现，将传感器佩戴在腰部、大腿、小腿等部位能够获取到较为全面和准确的步态信息。

在多尺度熵算法及其应用方面，国外的研究起步较早，并在理论和实践应用上取得了显著进展。Costa等人率先将多尺度熵算法应用于人体步态动力学分析，通过对不同年龄段人群的步态加速度信号进行多尺度熵分析，发现随着年龄的增长，人体步态的多尺度熵值呈现出明显的变化趋势，这一研究成果为老年人的健康监测和跌倒风险评估提供了新的方法和思路。在后续的研究中，国外学者进一步拓展了多尺度熵算法的应用领域，将其应用于帕金森病、脑卒中等神经系统疾病的诊断和病情评估。研究表明，这些疾病患者的步态多尺度熵特征与健康人群存在显著差异，通过对这些差异特征的分析，可以实现对疾病的早期诊断和病情的精准评估。

国内的相关研究也在近年来呈现出快速发展的态势。王旭尧和徐永红针对传统多元多尺度熵算法在处理有限长时间序列时存在的均值曲线波动较大以及阈值选取对结果影响较大的问题，提出了一种改进的多元多尺度熵算法。该算法通过采用滑动均值滤波改进粗粒化方式，使粗粒化后各尺度上的时间序列与原始时间序列长度一致，有效减小了所计算多元多尺度熵的离散性。通过定义模糊隶属度函数来统计两复合延迟矢量距离略大于阈值的情况，降低了传统方法对阈值的依赖性，解决了传统阈值所导致的不稳定现象。将改进算法应用于不同人体步态加速度信号的复杂度评价和分类，实验结果表明该算法的识别效果明显优于传统多元多尺度熵算法。何书芹等人提出了一种基于多尺度熵和动态时间规整（DTW）的人体步态身份识别方法。该方法采用自制的APP软件在较低采样率下采集人体步行加速度数据，使用多尺度熵算法进行数据处理，得到各个尺度下的熵