躯干右倾者与正常者行走步态时间参数的差异性研究

任 璐 邓宏明 张晓宇

(1.中国刑事警察学院，辽宁·沈阳 110854；2.内蒙古·呼和浩特 010070)

人体的行走运动是在一定生理解剖结构基础上，经过长时间、反复的模仿、学习、训练而形成的一种行走运动动力定型。每个人在一定时间内自身的行走运动特征并不会随着时间产生明显的变化，具有良好的稳定性。但同时，由于不同人在人体解剖结构方面存在差异，在成长过程中生活环境不同，以及从事各行各业对行走步态所造成的影响，又使得每个人的行走步态特征不可能完全相同。许多研究表明，由于人体行走步态的重复性和独特性，基于步态的人体识别是可行和可靠的(1)Nixon M S, Carter J N. Automatic recognition by gait[J]. Proceedings of the IEEE, 2006, 94(11): 2013-2024. Lin Y C, Yang B S, Lin Y T, et al. Human recognition based on kinematics and kinetics of gait[J]. Journal of Medical and Biological Engineering, 2011, 31(4): 255-263.。通过步态来识别嫌疑人作为证据在法庭中使用的里程碑案件是2004年的诺拉格尔案(2)Larsen P K, Simonsen E B, Lynnerup N. Gait analysis in forensic medicine[J]. Journal of forensic sciences, 2008, 53(5): 1149-1153.。在该抢劫案中，银行入口处的摄像头拍到了犯罪嫌疑人的步态。通过对视频分析发现嫌疑人步态的显著特点：右足处于单支撑期时左足内翻。在通过秘密录像获得的嫌疑人步态样本中也发现了这一步态特征，比对分析最终认定为同一人。目前，人体行走步态的研究成果应用于诸多领域。在运动医学、康复医学及神经学等领域，分析行走步态已经逐渐发展成为基础科学和临床研究不可缺少的手段之一，通过对行走步态进行分析，评估行走能力、评价治疗效果，实现人体下肢康复运动评定和行走辅助装置的设计(3)黄萍,陈博,刘志宏,许萍.膝关节置换后患者的三维步态特征[J].中国组织工程研究,2018,(35).Zielinska T, Chew C M, Kryczka P, et al. Robot gait synthesis using the scheme of human motions skills development. Mech Mach Theory,2009, 44(3): 541-558.。在人类学、体育学、军事学等领域中也具有特殊的价值，例如仿生机器人的设计、指导体育训练提高运动员竞技水平等等(4)石俊, 姜寿山, 张欣等.人体步态研究与仿真的现状和展望[J].系统仿真学报,2006,(10).(5)李光辉.足球盘带连续突破动作模式及步频依赖的研究[D].北京体育大学,2016.。有一些人群由于自身存在一些具有特殊性的特征，所以其行走步态受到学者们的关注。这些人群的步态特征既具有区别于其他人群的特定性，同时又具有该类人群步态特征自身的共性，能够提供通过步态来识别该类人群的特征。例如孔祥伦所作的膝内翻者步态生物力学特征研究(6)孔祥伦.膝内翻者步态的生物力学特征[D].苏州大学,2015.，该研究成果中表明，膝内翻者与非膝内翻者在步态特征上的差异，表现在膝内翻者在行走时躯干左右晃动明显，步角明显小于正常者的步角，支撑相膝关节的最大内翻角度显著增大，同时伴有踝关节外翻。利用两类人群行走步态特征上的差异，能够实现数字化、自动化、高效地对两类人群进行识别。

为了实现在人群中自动、快速、准确地识别出躯干右倾者，本文对躯干右倾者和正常者在正常步速(1.1m/s)下行走的步态特征时间参数进行分析，探究二者之间存在本质性差异的特征点。并通过K-means聚类算法分析各特征点，在识别躯干右倾者中所发挥的比重，从而为通过行走步态识别躯干右倾者提供理论支撑和可供选取的特征。

一、实验设计

(一)实验设备

Codamotion三维动作捕捉分析系统由英国Charnwood Dynamics公司研发生产，其标记点为体积很小的红外信号发射器，固定在人体上不会对运动产生影响。系统采用主动红外捕捉的方式，当发射器进入红外捕捉器的采集范围后就可以被自动识别。

Footscan是由比利时RSscan公司研制的系统足底压力分析系统，该系统利用机电一体化和图像方法进行足底压力分布测量和定量分析，由2m长的测力平板、Footscan3D box、测力台及其配套软件组成，测力台的传感器分布密度为4个/cm2,采样频率126Hz。

(二)实验对象

随机抽选50名中国刑事警察学院男性在校生，将codamotion三维动作捕捉系统的Marker点(红外信号发射器)分别贴在受试者的左侧肩峰和右侧肩峰。实验开始前，先让受试者在测试区内多次反复行走来适应实验环境，以保证实验时受试者的行走步态是正常的、自然的。正式开始实验时，要求受试者在3m测试区内以正常速度重复行走10趟，通过目测法对受试者的行走步态进行观察，对受试者是否符合躯干右倾进行登记，其中躯干右倾定义为左肩高、右肩低。对标记为躯干右倾的7名受试者行走时肩峰运动数据进行量化，分析受试者在一个步态周期内肩峰高度的变化情况。在行走过程中躯干左右晃动会导致肩峰数据不稳定，排除躯干左右晃动的2名受试者后共选取5名躯干右倾者作为本实验的受试者。量化后得到躯干右倾组左肩峰高度与右肩峰高度差值(M±SD)为43±10.1mm，正常组两侧肩峰高度差值(M±SD)为7.74±3.46mm。

随机抽选上述正常组中5名学生作为本实验的正常组受试者，即本实验共选取中国刑事警察学院男性在校生10名，其中实验组为躯干右倾组，共5名受试者，对照组为正常组，共5名受试者。受试者的自然情况列于表1，实验组(躯干右倾组)与对照组(正常组)之间各项基本指标差异无统计学意义(P>0.05)。

表1 受试者自然情况(M±SD)

(三)实验方法

在人类步态生物力学的大量研究中，步速是行走步态其中一个重要的影响因素。有大量文献表明，改变步行速度会影响双足运动的基本生物力学特性，如肌肉活动、时空参数、关节运动学参数、动力学特征等等(7)Schwartz M H, Rozumalski A,Trost J P. The effect of walking speed on the gait of typically developing children[J]. Journal of biomechanics,2008,41(8): 1639-1650.，步速的加快会引起支撑相所占百分比的减小(8)王劲松,王令军,王婷等.不同步速下人体步态规律的测量与研究[J].传感器与微系统, 2008，(09).。增加行走速度通常是通过增加步频和步长来实现的，Ardestani MM(9)Ardestani MM,Ferrigno C,Moazen M,et al.From normal to fast walking:Impact of cadence and stride length on lower extremity joint moments[J].Gait Posture,2016,46(2): 118-125.等人的实验就是通过三种方式来调节步速的，分别为通过增加步频来提高步速，通过增加步长提高步速，以及同时增加步频和步长来提高步速。其实验结果表明，只通过增加步频来提高步速的受试者下肢关节力矩变化不大，相反地，只要改变步长就会导致受试者运动关节角度显著改变。因此，为了尽可能减少其他因素对人体关节运动情况的影响，本实验在保证受试者不改变步长的情况下，通过改变其步频将受试者们的步速大致控制在1.1m/s左右。

根据陈龙伟(10)陈龙伟,王珏,高琳等.正常青年人步态时空和运动学参数的可靠性分析[J].中国体育科技,2012,(02).等人的实验结果得知，同一人重复行走4 次能使时空参数达到较高的可靠性，重复行走6次能使运动学参数达到较高的可靠性。为了使得实验数据更加可靠，本实验10名受试者以正常步速1.1m/s通过3米的测试区，每名受试者行走10趟。

(四)特征选取

1.足底区域划分

根据Footscan足底压力分析系统自有划分方法，将足底区域划分为10个区域(如图1所示)，分别为：T1(拇趾区)、T2-T5(第2～5趾区)、M1(第一跖骨区)、M2(第二跖骨区)、M3(第三跖骨区)、M4(第四跖骨区)、M5(第五跖骨区)、MF(足弓区)、HM(足跟内侧区)以及HL(足跟外侧区)。由于本实验中受试者是穿鞋行走，测力台对第2～5趾的识别并不敏感，因此本实验不对第2～5趾区域的数据进行研究。

2.时间参数

步态周期是指从一侧足跟着地开始，到该侧足跟再次着地为止，所经过的时间。国内外大部分研究会把步态周期划分为支撑相和摆动相两个基本阶段。支撑相是指从一侧足跟着地到该侧足趾离地所经历的时间段，在这段时间中该侧足一直与地面接触，因此称为支撑相。支撑相又包括足跟着地期、足跖着地期、支撑中期、足跟离地期以及足趾离地期。摆动相是指从一侧足趾离地到该侧足跟着地为止所经历的时间，摆动相时期该侧足不与相地面接触。

图1 足底区域划分

Footscan足底压力分析系统测力台一共可以记录人体行走时的三步，即当左足先踏上测力台时记录的左足-右足-左足，或右足先踏上测力台时记录的右足-左足-右足，故在测试区内行走1趟可以得到1个步态周期的数据。通过Footscan分析系统获取，SPSS进行处理，得到本实验的时间参数，共选取一个步态周期的时间、单支撑相时间(在一个步态周期内，只有一侧足与地面相接触的时间)、双支撑相时间(在一个步态周期内，两侧足同时与地面相接触的时间)，摆动相占整个步态周期的百分比，足底各区域达到压力峰值的时间差，除了双支撑相时间外，其他参数特征均区分左、右足。

二、结果与讨论

借助SPSS 23中Mann-Whitney U检验法，对躯干右倾组和正常组行走步态的时间参数进行对比研究。Mann-Whitney U检验法又称为威尔科克逊等级之和检验，是一种独立样本的非参数检验方法。由于躯干右倾组与正常组可以认为是两组独立样本，其行走步态的时间数据不知道服从何种分布，因而使用两独立样本的非参数检验进行分析。当检验结果中显著性水平小于0.05时，拒绝原假设，即二者之间的行走步态数据存在显著性差异。

(一)时间参数数据与处理

关于躯干右倾组与正常组行走步态的一个步态周期的时间(左、右足)，单支撑相的时间(左、右足)，双支撑相的时间，摆动相占整个步态周期百分比(左、右足)的统计结果(如表2所示)。

每名受试者每次行走时，首次与测力台接触的时间不同且无法控制，因此在研究足底各区域达到压力峰值的时间时，采用差值计算法来减少其他因素造成的影响。将躯干右倾组与正常组足底其他8个区域达到压力峰值的时间，分别与足跟外侧达到压力峰值的时间做差值，其统计结果(如表3所示)。

表2 躯干右倾组与正常组步态周期相关参数数据(M±SD)

表3 躯干右倾组与正常组足底各区域达到压力峰值的时间数据(M±SD)

借助Mann-Whitney U检验法对躯干右倾组与正常组行走步态的一个步态周期的时间(左、右足)，单支撑相的时间(左、右足)，双支撑相的时间，摆动相占整个步态周期百分比(左、右足)进行对比研究，其分析结果(如表4所示)，二者之间足底各区域达到压力峰值时间差的对比分析结果(如表5所示)。

表4 躯干右倾组与正常组步态周期相关参数对比结果

表5 躯干右倾组与正常组足底各区域达到压力峰值的时间差分析结果

(二)分析与讨论

在步态周期相关参数中，根据表4的对比结果可知，躯干右倾组在单支撑相时间(左、右足)，双支撑相时间以及摆动相占整个步态周期百分比(左、右足)这5个参数特征上与正常组具有显著性差异。从表2的数据中也可以明显看出，躯干右倾组的左、右足单支撑相时间要比正常组的时间短，左、右足摆动相占整个步态周期百分比要比正常组的值偏小，相应的双支撑相的时间要比正常组的时间长。在王劲松(11)王劲松,王令军,王婷等.不同步速下人体步态规律的测量与研究[J].传感器与微系统, 2008，(09).等人的研究成果中，随着步速的增加支撑相所占百分比会减小，也就是说摆动相占整个步态周期的百分比会增加。而本实验是在控制步速为1.1m/s的情况下进行的，因此躯干右倾组的上述时间参数中所表现出的差异性与步速这一因素无关。

在足底各区域达到压力峰值的时间差上，根据表5的对比结果可知，二者在右足第三跖骨区和第四跖骨区域达到压力峰值的时间差上，具有显著差异。从表3的数据中可以看出，躯干右倾组足底各区域达到压力峰值所用的时间，要比正常组足底各区域达到压力峰值所用的时间短。这也与表2中所反映出的躯干右倾组左、右足支撑相占比，比正常组小相互对应。另一方面，在表3中可以发现，躯干右倾组左足和右足的第四跖骨区和第五跖骨区之间，达到压力峰值所用的时间存在差异，左足的第四跖骨区和第五跖骨区达到压力峰值所用的时间，要比右足所用时间长大约0.1s。说明躯干右倾者右足第四跖骨区和第五跖骨区域，比左足的相应区域更容易受到压力。

(三)聚类分析结果

借助K-means聚类算法，对上述筛选出的二者之间具有差异性的参数特征，进行聚类分析。分别计算出按照单一特征聚类和融合特征聚类分析的正确率，探究在识别躯干右倾者中各单一特征和融合特征所发挥的比重。二者行走步态时间参数上具有差异性的参数特征分别为：单支撑相时间(左、右足)、双支撑相时间、摆动相占整个步态周期百分比(左、右足)，以及右足第三跖骨区、第四跖骨区域达到压力峰值的时间差，其聚类分析结果(如表6所示)。可以得出识别准确率最高的参数特征是左右足摆动相占整个步态周期的百分比，其次是双支撑相时间。

表6 单一特征和融合特征聚类分析结果

三、总结与展望

本文借助Codamotion三维动作捕捉系统，对躯干右倾者行走时肩峰的运动情况进行了量化。借助Footscan足底压力分析系统，采集并分析了5名躯干右倾者和5名正常者，在正常步速1.1m/s下行走时步态的时间参数。实验结果表明，在青年男性中，躯干右倾者的行走步态时间参数，在单支撑相时间(左、右足)、双支撑相时间、摆动相占整个步态周期百分比(左、右足)，以及右足第三跖骨区、第四跖骨区域达到压力峰值的时间差上，与正常者的行走步态时间参数存在显著性差异。并通过K-means聚类算法计算出，按照左右足摆动相占整个步态周期的百分比，来识别这两类人群的准确率是最高的，为84%。这为通过行走步态数据来识别躯干右倾者，提供了理论依据和可以选择的特征。

然而本文在受试者的选取方面，选择了身高、下肢长度和体重均相近的青年男性。在接下来的研究工作，还需进一步扩大受试者的范围，使得研究结论更具有普遍性。同时本文只是对躯干右倾者行走步态的时间参数进行了研究，还可以对其行走步态的力学参数进行研究，进而完善躯干右倾者行走步态的生物力学特征。另一方面，可以将躯干右倾者行走步态的生物力学参数，与足迹分析相结合，从而实现通过足迹识别躯干右倾者。