陳建國， 楊 徐， 李玉榕

(福州大學(xué)電氣工程與自動化學(xué)院， 福建省醫(yī)療器械和醫(yī)藥技術(shù)重點實驗室， 福建 福州 350116)

0 引言

近年來， 腦卒中(腦中風(fēng))或外傷引起的足下垂患者數(shù)量逐年增多. 足下垂(foot drop)是指患者踝關(guān)節(jié)無法產(chǎn)生背屈， 走路時無法使腳背彎起的癥狀. 足下垂患者在行走時腳趾拖地， 與正常人的下肢差異很大， 不僅行走不便， 而且容易摔倒. 如果在康復(fù)訓(xùn)練時摔倒更易導(dǎo)致二次中風(fēng)， 后果將更加嚴(yán)重. 因此, 如何利用新技術(shù)、 采用新方法使足下垂康復(fù)治療儀體積更小、 功能更健全、 使用更方便， 幫助患者恢復(fù)正常的行走能力， 減少其對家人和醫(yī)護(hù)人員的依賴， 對于足下垂患者本人和家庭而言具有重要的意義， 同時能產(chǎn)生良好的社會效益. 功能性電刺激是目前應(yīng)用最為廣泛的足下垂康復(fù)治療方法之一， 通過在患者行走的擺動階段以低頻脈沖電流刺激脛骨前肌， 促進(jìn)脛骨前肌主動收縮， 使足部產(chǎn)生背屈運動， 從而治療足下垂[1]. 相比其他康復(fù)治療方法， 功能性電刺激可以使患者行走時更加自信、 步態(tài)更穩(wěn)健且不易疲勞. 步態(tài)即為人體走路時的姿態(tài)， 包含了許多運動信息， 步態(tài)信息的分段在功能性電刺激中起著非常重要的作用. 目前， 步態(tài)分段方法存在識別率低、 實時性差、 過于復(fù)雜等缺點. 如何利用采集到的步態(tài)數(shù)據(jù)進(jìn)行步態(tài)分段， 實時識別出步態(tài)的擺動相和站立相， 是應(yīng)用功能性電刺激治療足下垂的關(guān)鍵因素.

荷蘭生物醫(yī)學(xué)技術(shù)研究所的Monaghan C C等[2]采用閾值分類法， 將采集到的角速度進(jìn)行積分得到角度， 通過設(shè)定閾值來進(jìn)行步態(tài)分段. 該方法的積分計算會帶來累積誤差， 容易導(dǎo)致誤判. 為解決積分帶來的誤差問題， 英國牛津大學(xué)的Morri[3]采用一個步態(tài)周期的起始和結(jié)束時刻的角度相等且此時腳的速度為零的方法來進(jìn)行步態(tài)分段， 但其有效性和實時性需進(jìn)一步驗證. 臺灣大學(xué)的SHIHY Y等[4]利用神經(jīng)網(wǎng)絡(luò)算法將傳感器測得的角度進(jìn)行訓(xùn)練， 識別出步態(tài)周期的各個階段， 并采用PID控制功能性電刺激的輸出. 此方法雖然能夠進(jìn)行實時步態(tài)分段， 但每個患者使用前都必須先用傳感器采集步態(tài)信息進(jìn)行訓(xùn)練， 所以使用起來比較復(fù)雜. 馬來西亞莫納什大學(xué)的Gouwand[5]利用角速度信號對步態(tài)周期各階段進(jìn)行識別， 大連理工大學(xué)的韓寧[6]將傳感器采集到的角速度用基于知識的步態(tài)分段算法進(jìn)行步態(tài)分段. 雖然兩者能夠比較準(zhǔn)確地識別出步態(tài)各個階段， 誤差小， 但是此算法中判斷前一個步態(tài)階段需要依賴于后一個步態(tài)階段的數(shù)據(jù)， 實時性差. 大連理工大學(xué)的Wang和Qiu等[7]將加速度和角速度信號采用滑動方差法， 即分別對加速度和角速度求方差作為閾值， 對一個周期內(nèi)的步態(tài)各階段進(jìn)行識別， 分別是腳跟離地、 擺動相、 腳跟著地以及完全站立. 該算法需要采集所有數(shù)據(jù)后才能求方差， 不能實現(xiàn)一邊采集數(shù)據(jù)一邊進(jìn)行步態(tài)識別， 因此不能應(yīng)用到實時功能性電刺激治療中. 丹麥奧爾堡衛(wèi)生科技部的Jan Rueterbories和Erika G Spaich[8]采用步態(tài)相位檢測方法， 雖然步態(tài)分段時有較好的實時性， 但是系統(tǒng)容易受到患者跛行步態(tài)影響， 導(dǎo)致較高的錯誤率.

本研究提出的基于角速度信號的步態(tài)分段算法不需要積分運算， 避免了累積誤差， 算法簡單且準(zhǔn)確性較高， 最重要的是該算法實時性好， 能夠為研究穿戴式功能性電刺激系統(tǒng)提供基礎(chǔ)與保證.

1 系統(tǒng)總體設(shè)計方案

本研究為基于閾值步態(tài)分段算法的功能性電刺激系統(tǒng)， 系統(tǒng)總體方案如圖1所示. 將穿戴下肢的MPU6050傳感器采集到的數(shù)據(jù)通過I2C傳輸?shù)紺C2541單片機(jī)中， 然后采用步態(tài)分段算法進(jìn)行處理， 并控制功能性電刺激的輸出. 當(dāng)檢測到腳跟離地時， 控制功能性電刺激模塊對足下垂患者的脛前肌施加電刺激信號， 促進(jìn)踝關(guān)節(jié)產(chǎn)生背屈； 當(dāng)檢測到腳跟著地時， 停止電刺激輸出信號， 使患者能夠正常行走， 從而治療足下垂患者.

圖1 系統(tǒng)總體方案圖Fig.1 Overall scheme of the system

2 基于閾值的角速度步態(tài)分段算法

2.1 步態(tài)周期分析

圖2 正常人步態(tài)周期的時間分解Fig.2 Time breakdown of normal gait cycle

人的步行過程是一個有規(guī)律的模式， 對于規(guī)律的運動而言可以研究其周期性. 一個步態(tài)周期是指在行走過程中， 從一只腳完全站立在地面上到這只腳再次完全站立在地面上所經(jīng)歷的時間. 一個完整的步態(tài)周期可以分為三個階段： 站立階段、 推動階段、 擺動階段[9]， 如圖2所示. 文[10]研究表明， 正常人的步態(tài)周期約1.3 s， 其中站立階段的時間約620 ms， 從腳跟離地到腳尖離地有一個力推動過程， 約200 ms， 擺動階段的時間約470 ms.

腳跟離地(heel off， HO)是推動階段的起點， 也是站立階段的終點. 腳尖離地(toe off， TO)是擺動階段的起點， 也是推動階段的終點. 腳跟著地(heel strike， HS)是站立階段的起始， 也即擺動階段終點的標(biāo)志. 功能性電刺激通過在行走步態(tài)的擺動階段刺激脛骨前肌從而治療足下垂， 也就是需要在HO時刻開啟電刺激， 在HS時刻停止電刺激. 因此， 為了正確控制功能性電刺激輸出， 需要研究步態(tài)分段算法， 實時確定HO時刻和HS時刻.

在功能性電刺激時， 刺激的開啟時刻尤為重要， 因為如果足下垂患者腳尖已經(jīng)離地， 而此時如果脛骨前肌仍舊無力的話， 會導(dǎo)致患者重心不穩(wěn)而跌倒. 相關(guān)實驗研究表明[11-12]， 肌肉在外部電刺激作用下從零肌肉力輸出到最大肌肉力輸出需要一定時間， 包括電信號在肌肉的傳輸延遲和肌肉本身的反應(yīng)時間， 大約50～150 ms， 個體有差異， 如圖2中陰影部分所示. 因此， 實際應(yīng)用中， 應(yīng)當(dāng)選擇腳尖離地TO時刻的前50～150 ms的時刻作為電刺激的起點. 考慮到尋找該特征點時， 算法本身會存在時延， 因此， 在選擇功能性電刺激起點時， 必須再加上算法的延時. 可以選擇推動階段的起點， 即腳跟離地HO時刻作為電刺激起點. 而功能性電刺激的結(jié)束時刻的準(zhǔn)確性相比較而言可以放松些， 因為即使腳跟著地后， 電刺激仍然存在， 患者只是感覺上有一點不舒服， 不至于發(fā)生危險.

2.2 步態(tài)數(shù)據(jù)分析

從文[13]可以得出， 平地自由行走模式下將傳感器穿戴于小腿和踝關(guān)節(jié)， 其矢狀面(通過人體沿垂軸和縱軸的平面及與其平行的所有平面都稱為矢狀面)角速度幅值大、 變化比較均勻、 規(guī)律性明顯、 易于尋找特征點. 而且穿戴于小腿的不同位置， 角速度數(shù)據(jù)規(guī)律性一致， 故小腿以及踝關(guān)節(jié)可以認(rèn)為是傳感器的理想穿戴位置， 而且小腿穿戴位置的變化不至于影響結(jié)果， 這樣便于患者使用時可選擇在小腿上某個舒適的位置穿戴.

在本次步態(tài)數(shù)據(jù)采集實驗的過程中， 選擇8名志愿者參與實驗， 其中男女各四名. 為驗證所設(shè)計的系統(tǒng)可以利用步態(tài)分段算法的識別結(jié)果實現(xiàn)功能性電刺激的正確輸出， 選擇了健康的志愿者， 后續(xù)階段的研究將針對不同類別的足下垂患者進(jìn)行實驗. 實驗過程中志愿者們均穿著跑步鞋， 并在指定位置穿戴好步態(tài)測量的傳感器， 以在直線自由行走大約10 m和在跑步機(jī)上以不同速度行走兩種情況來進(jìn)行步態(tài)數(shù)據(jù)采集. 由于此系統(tǒng)主要用于足下垂患者康復(fù)訓(xùn)練， 所以要求志愿者們在實驗中步行速度盡量放慢.

采集數(shù)據(jù)時， 為研究傳感器不同穿戴位置對步態(tài)分段結(jié)果的影響， 需將采集數(shù)據(jù)的傳感器穿戴在下肢的各個部位. 因此， 研究前期將系統(tǒng)穿戴在人體下肢， 一邊采集數(shù)據(jù)一邊將其儲存在單片機(jī)中. 步態(tài)實驗結(jié)束后再將數(shù)據(jù)通過串口調(diào)試助手傳輸?shù)接嬎銠C(jī)， 用Matlab軟件進(jìn)行處理， 尋找最優(yōu)傳感器穿戴位置及進(jìn)行算法研究. 最終再將算法在單片機(jī)系統(tǒng)中實現(xiàn)， 以實現(xiàn)實時控制.

通過分析人體的行走特點可以發(fā)現(xiàn)， 人行走時的角速度信號規(guī)律比加速度信號規(guī)律更明顯， 利用角速度劃分三個階段的步態(tài)周期更簡便[14]. 而且實驗所利用的陀螺儀， 又稱之為角速度傳感器， 基本能夠消除重力對運動的影響， 并且噪聲很小[15]. 因此， 采用角速度信號作為步態(tài)分析的特征數(shù)據(jù).

2.3 步態(tài)分段算法的實現(xiàn)

圖3 一個步態(tài)周期矢狀面角速度變化曲線 Fig.3 Angular velocity of sagittal plane in one gait cycle

從圖2可以發(fā)現(xiàn)， 一個完整的步態(tài)周期可以分為三個階段： 站立階段、 推動階段和擺動階段. 推動階段前的時刻為腳跟離地HO時刻， 站立階段前的時刻為腳跟著地HS時刻， 通過本章2.1小節(jié)的分析， 可以將腳跟離地HO和腳跟著地HS時刻分別作為功能性電刺激開啟和關(guān)斷的時刻. 因此， 需要找到合適的算法確定出兩個關(guān)鍵的時刻： 腳跟離地HO和腳跟著地時刻HS. 實驗采集的一個標(biāo)準(zhǔn)步態(tài)周期的小腿上矢狀面角速度如圖3所示, 分析在步態(tài)周期中關(guān)鍵特征點.

1) 腳跟離地時刻的特征. 腳跟離地時刻為站立階段的終點， 理論上站立階段矢狀面的角速度為0， 當(dāng)矢狀面的角速度從0變成負(fù)時為腳跟離地時刻(按左手守則， 以逆時針方向為正). 由于測量時陀螺儀靜止漂移等因素， 站立階段的角速度往往不為零， 所以認(rèn)為腳跟著地以后， 在一定時間之內(nèi)矢狀面角速度連續(xù)變小的點就是腳跟離地時刻.

2) 腳尖離地時刻的特征. 當(dāng)腳跟離地后矢狀面角速度達(dá)到負(fù)方向最大時(波谷)， 為腳尖離地時刻.

3)擺動階段中點的特征. 擺動階段中點有非常明顯的特征， 即當(dāng)腳尖完全離開地面進(jìn)入擺動階段時， 矢狀面角速度經(jīng)歷一個由負(fù)到正的變化， 直至達(dá)到最大角速度(波峰)， 即為擺動階段中點.

4) 腳跟著地時刻的特征. 從擺動階段轉(zhuǎn)變?yōu)槟_跟著地時， 角速度會出現(xiàn)一個負(fù)的波谷， 所以在擺動中點后的第一個波谷為腳跟著地點， 完成一個步態(tài)周期， 并準(zhǔn)備進(jìn)入下一個步態(tài)周期階段.

基于上述所示的步態(tài)周期矢狀面角速度曲線中的關(guān)鍵特征點， 且為簡化算法保證其在單片機(jī)中實時實現(xiàn)， 采用基于閾值的角速度信號步態(tài)分段算法進(jìn)行步態(tài)周期分段. 其步態(tài)分段過程為：

1) 首先讀取數(shù)據(jù)， 當(dāng)N=0時， 系統(tǒng)將執(zhí)行判斷擺動階段中點的子程序， 對于擺動階段中點， 一開始先判斷是否大于閾值λ1且為正的最大值(波峰)， 若滿足此條件則判斷為擺動階段中點， 則N=1， 否則繼續(xù)讀取下一個數(shù)據(jù).

2) 當(dāng)N=1時， 系統(tǒng)將執(zhí)行判斷腳跟著地的子程序， 對于腳跟著地， 讀取數(shù)據(jù)后， 判斷此點是否為擺動階段中點的第一個波谷， 若滿足條件則判斷為腳跟著地， 此時N=2， 否則繼續(xù)讀取數(shù)據(jù).

3) 當(dāng)N=2時， 系統(tǒng)將執(zhí)行判斷腳跟離地的子程序， 為了更容易識別這個點， 本算法中將腳跟著地后角速度絕對值開始變大且大于一定閾值， 而且前后一定時間內(nèi)角速度值都遞減的時刻作為腳跟離地點， 因此讀取數(shù)據(jù)后先要判斷：

系統(tǒng)根據(jù)此算法一邊進(jìn)行數(shù)據(jù)采集， 一邊進(jìn)行步態(tài)分段， 既簡單又具有較好的實時性， 且在單片機(jī)中易于實現(xiàn).λ1、λ2、 Δt1和Δt2這四個閾值的具體取值將在下文中進(jìn)一步討論.

本研究所設(shè)計的足下垂功能性電刺激系統(tǒng)是通過識別腳跟離地HO和腳跟著地HS來分別控制功能性電刺激開啟和停止， 對實時性要求比較高， 因此， 算法延時的長短將對電刺激的康復(fù)治療效果有很大的影響. 從上面分析可以發(fā)現(xiàn)， 該算法識別腳跟著地HS沒有滯后， 但識別腳跟離地HO存在Δt2的滯后. 本算法中， Δt2最長時間為120 ms， 加上電刺激信號在肌肉的傳輸延遲和肌肉本身的反應(yīng)時間50～150 ms， 因此， 從算法檢測到腳跟離地， 到脛前肌實際輸出最大肌力的總時間為大約170～270 ms. 由于本系統(tǒng)主要設(shè)計用于足下垂患者康復(fù)治療， 足下垂患者從腳跟離地HO到腳尖離地TO的推動階段的時間要大于正常人的200 ms， 因此， 算法對功能性電刺激的開啟時刻和停止時刻是恰當(dāng)?shù)模?可以滿足足下垂患者功能性電刺激的要求.

3 算法識別結(jié)果

在Matlab軟件上用步態(tài)分段算法識別步態(tài)周期的各個階段， 即對穿戴于踝關(guān)節(jié)和小腿上的傳感器在平地自由行走模式和跑步機(jī)平臺下測得的角速度信號采用步態(tài)分段算法識別三個特征點： 腳跟離地(HO)、 擺動階段中點(MS)、 腳跟著地(HS). 算法中λ1的取值范圍是35～45 (°)·s-1，λ2的取值范圍是-30～-20 (°)·s-1， 時間閾值Δt1的取值范圍是80～90 ms， Δt2的取值范圍是110～120 ms.

由于λ1的取值僅對擺動階段中點的識別產(chǎn)生影響， 擺動階段中點的識別有利于輔助腳跟著地和腳跟離地這兩個時刻的識別， 因此有必要對λ1的取值進(jìn)行分析， 找到最佳閾值. 對λ1取不同值時擺動階段中點的識別率進(jìn)行實驗和統(tǒng)計， 實驗中共采集8個志愿者在平地直線自由行走大約10 m和跑步機(jī)平臺下行走15 s的步態(tài)數(shù)據(jù)， 每個志愿者在每個穿戴位置大概完成了36個步態(tài)周期， 統(tǒng)計結(jié)果如表1， 其中在小腿位置選取了三個不同的測試點.

表1 平地行走模式下擺動階段中點的識別率

從表1統(tǒng)計結(jié)果可知，λ1取40 (°)·s-1時擺動階段中點的識別率最高， 基本達(dá)到99.9%； 當(dāng)λ1低于40 (°)·s-1時識別率相對較低， 這是由于腳跟離地后存在次波峰造成的誤判； 當(dāng)λ1高于40 (°)·s-1時的識別率也相對較低， 這是由于選擇的閾值過大， 當(dāng)行走的角速度幅值較小時系統(tǒng)識別不到造成的結(jié)果. 因此， 本算法選擇λ1=40 (°)·s-1為最佳閾值.

對于λ2、 Δt1和Δt2這三個參數(shù)只對腳跟離地的識別產(chǎn)生影響， 而腳跟離地識別的準(zhǔn)確性對功能性電刺激最佳刺激時相至關(guān)重要. 為了得到最佳識別率的閾值， 通過取8組不同λ2、 Δt1和Δt2取值組合， 將采集到的數(shù)據(jù)在Matlab軟件上利用步態(tài)分段算法進(jìn)行步態(tài)識別， 對平地自由行走模式下腳跟離地的識別結(jié)果進(jìn)行統(tǒng)計， 如表2.

表2 平地行走模式下腳跟離地的識別率

從表2統(tǒng)計結(jié)果可知， 在三個參數(shù)各自對應(yīng)的取值范圍內(nèi)，λ2的取值比Δt1、 Δt2的取值對腳跟離地識別率的影響更大， 當(dāng)Δt1和Δt2值一定，λ2= -20 (°)·s-1時， 腳跟離地的識別率普遍比較低， 不會超過70%； 當(dāng)λ2=-30 (°)·s-1時， 腳跟離地的識別率提高很多， 都超過了90%； 因此λ2值取-30 (°)·s-1時為最佳閾值. 當(dāng)λ2和Δt1值一定， Δt2取120 ms時， 腳跟離地的識別率相較于Δt2取110 ms時更高， 為最佳閾值； 當(dāng)λ2和Δt2值一定， Δt2取80 ms時， 腳跟離地的識別率相較于Δt2取90 ms時更高， 為最佳閾值. 綜上分析可得， 取閾值λ2= -30 (°)·s-1、 Δt1=80 ms和Δt2=120 ms時， 對腳跟離地的識別率最高， 系統(tǒng)擁有較好的魯棒性.

為進(jìn)一步驗證閾值取λ1=40 (°)·s-1、λ2=-30 (°)·s-1、 Δt1=80 ms和Δt2=120 ms是否在其他條件下也具有較高的識別率， 在平地自由行走模式和各種速度模式下對三個特征點： 腳跟離地(HO)、 擺動階段中點(MS)和腳跟著地(HS)進(jìn)行識別， 對腳跟離地和腳跟著地的識別率進(jìn)行統(tǒng)計， 結(jié)果如表3和表4所示.

表3 平地自由行走模式下步態(tài)識別結(jié)果

表4各種速度模式下步態(tài)識別結(jié)果

分析表3和表4統(tǒng)計結(jié)果可見， 在平地自由行走模式下， 對穿戴在踝關(guān)節(jié)和小腿上測得的角速度用步態(tài)分段算法識別腳跟離地和腳跟著地的識別率分別為97%和99%以上； 在各種速度模式下， 對穿戴在踝關(guān)節(jié)和小腿上測得的角速度用步態(tài)分段算法識別腳跟離地時刻和腳跟著地時刻的識別率分別為97%和98%以上. 結(jié)果表明， 該算法閾值取λ1=40 (°)·s-1、λ2=-30 (°)·s-1、 Δt1=80 ms和Δt2=120 ms時， 在平地自由行走模式和各種速度模式下均具有較高的識別率， 尤其對腳跟著地識別率幾乎100%， 而腳跟離地識別率相對低一點. 這是由于腳要離地時容易晃動， 有多個次波谷， 而且每個人幅值有差異， 導(dǎo)致誤判. 跑步機(jī)上設(shè)置最小速度采集時， 由于速度太慢， 實驗者不易適應(yīng)， 造成步態(tài)有些紊亂， 所以識別率也會稍低一點. 但總體而言本算法的識別率可達(dá)到97%～100%， 而文[8]中所提到的利用人步行時的徑向和切向加速度數(shù)據(jù)進(jìn)行離散分析的算法， 其識別率為84.2%～100%. 由此可看出, 本算法雖然簡單， 但是依舊能夠保持較好的識別率， 可以準(zhǔn)確控制功能性電刺激輸出.

另外， 算法對傳感器穿戴在小腿和踝關(guān)節(jié)上采集到的角速度信號均能很好地識別， 所以小腿和踝關(guān)節(jié)均能作為傳感器穿戴位置. 但考慮到傳感器穿戴在踝關(guān)節(jié)時穿鞋容易受到限制， 而且對足下垂患者進(jìn)行電刺激治療的最佳刺激位置在小腿上， 將傳感器穿戴在小腿能夠使刺激位置和采集位置一體化， 穿戴更加方便和美觀， 因此， 傳感器穿戴在小腿上位置最佳.

4 結(jié)語

針對目前存在的步態(tài)分段方法識別率低、 實時性差、 過于復(fù)雜等缺點， 提出了基于角速度信號的功能性電刺激系統(tǒng)的步態(tài)分段算法， 用于識別步態(tài)周期的三個特殊點： 腳跟著地點、 腳跟離地點、 擺動階段的中點. 當(dāng)檢測到腳跟離地時， 輸出電刺激信號刺激患者脛前肌肉， 當(dāng)檢測到腳跟著地時停止電刺激， 以此來治療足下垂. 該算法識別率高、 實時性好、 容易實現(xiàn)， 在足下垂治療領(lǐng)域具有一定的應(yīng)用價值.

參考文獻(xiàn)：

[1] 許林海， 韓麗雅．功能強(qiáng)化訓(xùn)練結(jié)合肌電生物反饋對急性腦卒中患者上肢功能的影響[J]．中國康復(fù)， 2015(3)： 185-188．

[2] MONAGHAN C C, RIEL W J B M V, VELTINK P H. Control of triceps surae stimulation based on shank orientation using a uniaxial gyroscope during gait[J]. Medical & Biological Engineering & Computing, 2009, 47(11): 1181-1188.

[3] ZDRAGKAS G I, AVARITSIOTIS J N. Gait analysis and automatic gait event identification using accelerometers[C]//IEEE International Conference on Bioinformatics and Bioengineering. Athens: IEEE, 2008: 1-6.

[4] CHEN Y L, SHIH Y Y, CHEN W L,etal． Clincal evaluation of the tilt sensors feedback controlled FES for hemiplegia[C]//Proceedings of the 26th IEEE Annual International Conference on the EMBS. San Francisco: IEEE, 2004: 4737-4740．

[5] GOUWANDA D, SENANAYAKE S M N A. Application of hybrid multi-resolution wavelet decomposition method in detecting human walking gait events[C]//International Conference of Soft Computing and Pattern Recognition. Malacca: IEEE, 2009: 580-585.

[6] 韓寧. 基于體感網(wǎng)的步態(tài)分析算法的研究[D]. 大連： 大連理工大學(xué), 2013.

[7] WANG Z L, QIU S, CAO Z L,etal. Quantitative assessment of dual gait analysis based on inertial sensors with body sensor network[J]. Sensor Review, 2013, 33(1): 48-56.

[8] RUETERBORIES J, SPAICH E G, ANDERSEN O K. Gait event detection for use in FES rehabilitation by radial and tangential foot accelerations[J]. Medical Engineering & Physics, 2014, 36(4): 502-508.

[9] 王桂茂, 嚴(yán)雋陶, 劉玉超, 等. 腦卒中偏癱步態(tài)的時空參數(shù)與骨盆運動學(xué)分析[J]. 中國康復(fù)醫(yī)學(xué)雜志, 2010, 25(12): 1148-1151.

[10] KOTIADIS D, HERMENS H J, VELTINK P H. Inertial gait phase detection for control of a drop foot stimulator inertial sensing for gait phase detection[J]. Medical Engineering & Physics, 2010, 32(4): 287-297.

[11] 譚志梅, 姜文文, 燕鐵斌. 多通道功能性電刺激及其在腦卒中偏癱側(cè)肢體康復(fù)中的應(yīng)用[J]. 中華物理醫(yī)學(xué)與康復(fù)雜志, 2011, 33(6): 464-467.

[12] 馬長波． 基于電機(jī)輔助功能性電刺激腳踏車康復(fù)訓(xùn)練系統(tǒng)的研究[D]． 哈爾濱： 哈爾濱工業(yè)大學(xué)， 2010．

[13] 黃金蘭, 李玉榕, 陳建國. 基于微電子機(jī)械系統(tǒng)傳感器的功能性電刺激系統(tǒng)[J]. 生物醫(yī)學(xué)工程研究, 2015, 34(4):207-211.

[14] TIEN I, GLASER S D, BAJCSY R,etal. Results of using a wireless inertial measurirlg system to quantify gait motions in control subjects[J]. IEEE Transactions on Information Technology in Biomedicine, 2010, 14(4): 904-915.

[15] 侯季健. 人體步態(tài)信息采集系統(tǒng)設(shè)計[D]. 大連： 大連理工大學(xué), 2015.

[16] GOUWANDA D, GOPALAI A A. A robust real-time gait event detection using wireless gyroscope and its application on normal and altered gaits[J]. Medical Engineering & Physics, 2015, 37(2): 219-225.