步态特征数字化技术，可对疾病引发的多种行走特征进行量化处理

本技术介绍参考了以下链接
English

2020年9月18日

株式会社富士通研究所（注1）（以下简称：富士通研究所）与富士通株式会社（注2）（以下简称：富士通）开发了一种行走特征数字化技术“FUJITSU KIDUKU Walking Engine”，可对患者因疾病引发的多种步态特征进行量化处理。

开发背景

在医疗现场，医护人员通过观察患者的步态特征，可以掌握患者的症状变化或恢复情况。众所周知，肌肉骨骼、脑神经、循环系统等方面的疾病会导致行走异常。因此，为尽早发现这些疾病的征兆，我们需要一种通过数字方式捕捉信息的步态分析技术，使其与物理治疗师观察得到的信息相当。

课题

传统技术利用机器学习、基于规则的算法等将行走特征作为定量数据进行对比和分析，此类方法已被诸多提及，并受到了医护人员的广泛关注。

然而，物理治疗师接触的患者涉及多种疾病，并且根据疾病、严重程度、损伤部位等的不同，对步态的影响也会产生很大差异。传统技术只能分析有限数量的步态模式，或无法提供足够的步态学习数据，因此，无法准确量化各种行走特征。

开发的技术

此次，富士通研究所与富士通基于安装在患者双脚脚踝处的陀螺仪传感器信号，开发了一种可对多种步行方式进行步态特征量化的技术。

这项技术利用此次新开发的基于运动规律（如行走时双腿的运动关系、每一步的运动变化方式等）的模型，对陀螺仪传感器发出的信号波形进行特征点标注并赋予意义。由此，除了可以准确识别出步行运动的信号，并且无论以何种方式行走，脚跟着地或脚趾离地时等的步行运动特征点都能被识别出来。通过测量这些特征点，可高精度量化步幅、摆动时间等步态特征。

图. 此次研发的算法及使用示意图

效果

利用市场上销售的陀螺仪传感器，富士通研究所与富士通基于此次开发的技术对各种步态进行了评估，包括9种异常行走（碎步走、画圈走、拖地走等）。结果显示，步行区间的自动识别精度为96.5%，跨步时间（站立时间与摆动时间（注3）之和）的提取误差为1.8%（与传统的需手动输入步行区间的市面产品相比，误差最大可减少约1/3），实现了对多个行走特征的高精度计算。

今后

富士通研究所与富士通将继续推进“FUJITSU KIDUKU Walking Engine”的研究开发，使医护人员可以更加有效利用步态观察数据，为今后逐渐增多的居家患者远程监护做出贡献。

注释

 注1 株式会社富士通研究所：

社长 原 裕贵
总公司所在地 日本神奈川县川崎市

 注2 富士通株式会社：

社长 时田 隆仁
总公司所在地 日本东京都港区

 注3 站立时间与摆动时间：

以每一步为一个周期，在此周期内，将一条腿未接触地面的时间段定义为摆动时间，与地面接触的时间段定义为站立时间。

相关链接

• Prof Brian Caulfield and his team develop a new platform to monitor concussion（The Insight Centre for Data Analytics，2016年10月10日 新闻发表。利用富士通研究所的高精度传感技术，Insight开发出针对脑震荡患者的最新评估方法）
• “通过智能家居的各个传感器早期发现患者隐藏的运动功能异常”（2016年2月18日 研究所技术介绍）
• “在爱尔兰的智能住宅中利用ICT进行居民的健康监测及独立生活支援研究项目”（2013年6月28日 新闻发表）