聂智超，吕杰，丁皓，2

1. 上海理工大学医疗器械与食品学院(上海，200093)2. 上海健康医学院医疗器械学院(上海，201318)3. 上海健康医学院中国医疗器械政策研究与安全评价中心(上海，201318)

0 引言

生物识别技术是指通过计算机与声学、光学、生物传感器和生物统计学原理等高科技手段密切结合，利用人体固有的行为特性和生理特征来进行个人身份的鉴定，其中指纹识别、人像识别、语音识别等识别方法已经广泛的应用到普通生活中。Dawson[1]给出了步态的定义：步态是人类步行的某种方式或者习惯。Johansson[2]指出，步态是人与生俱来的独特的生物特征，步态更是一种潜在的可用于鉴别人类身份的优秀生物特征。步态识别作为生物识别领域新的研究方向，相比于其他识别方式具有非接触性、非侵犯性、易于感知、难于伪装[3]的优势。而步态识别又主要分为基于步态姿态特征(一般依靠计算机视觉技术，通过提取步行时躯干和四肢的运动特征来实现步态识别)和基于步态触觉特征[4]即基于足底压力的步态分析。基于足底压力的步态识别是通过收集人体行走时足底触地各个时期的压力分布从而得出人体各项生理特征，其中最重要的两个步骤是数据采集和数据分析。由于受自身生理条件影响(如性别[5]、年龄[6-7]、人种[8]、疾病等)和个人生活习惯(如职业类型[9]、穿鞋类型[10])影响，使得人体在行走时产生的足底压力有很大不同，具有唯一性和稳定性。在临床上可以通过分析步态足底压力来检测疾病，如糖尿病、膝关节炎、骨折术后等疾病[11-14],在运动康复中可以设计合理舒适的鞋/鞋垫、假肢等来提高人体舒适程度，促进病人康复或提高运动员成绩。在军事领域可以研究人体足部压力来研制开发外骨骼机器人，在刑侦领域可以通过足底压力的唯一性来认定嫌疑人。

1 基于足底压力的步态识别的数据采集

足底压力测量技术是运用压力测量仪器对人体在静止或者运动过程中足底压力的力学、几何学以及时间参数值进行测定，1872年Carlet[15]第一次尝试测量足底作用力，之后由Beely在1882年第一次完成压力分布测量[16]。随着技术的发展，足底采集方法由开始简单地根据材料变形程度的足印法，到根据光接收仪接收光反射从而确定足底压力的光切法，发展到由压力传感器将压力转变为电信号从而数据化的压力测试板、压力鞋垫阶段。

测试板，压力鞋垫阶段的核心就是压力传感器，由压力感应原理，人们又将压力传感器分为电容、电阻、压电、压阻等传统类型。新型传感器近年来发展迅速，如具有高压范围测量能力，并且在低压和高压下都具有优异的线性度，并具有可忽略的滞后的MEMS压力传感器[17],与现有的接触式电容压力传感器相比，结构可以实现更好的线性和更大的线性范围的接触式电容压力传感器(TMCPS)[18],由压电聚合物薄膜(聚偏二氟乙烯，PVDF)和蒸发铜电极组成, 用于测量足底压力分布的轻便、实用且价格低廉的矩阵传感器[19]等。

传感器关键性能包括：线性，迟滞，感测尺寸，压力范围和温度敏感性[20-22]。在建立压力数据采集系统选取传感器时还应充分考虑其数量多少、尺寸大小、所处环境等因素。传感器的数量和大小决定了系统的分辨率，传感器数量越多系统分辨率越高，不同尺寸的传感器可以改变压力读数，因为压力是由作用力的大小和受力面积所决定，同样的作用力传感器尺寸越小，读数越大。根据不同环境选取不同传感器，便于准确测量数值。

在数据采集的过程中，应该注意采样频率即每秒每个传感器测量的样本数量，是决定系统时间分辨率的重要因素[23]。使用压力传感器获得的测量结果的可靠性对于精确测量至关重要。虽然由于每次步行试验都存在固有差异，不能达到100%的可复制性，但Hughes等[24]建议可以通过使用3到5次步行试验的平均值以提高压力测量的可靠性。后期校准对于建立压力测量的有效性是重要的。尽管系统可以提供一致的重复测量，即具有可靠性，但测量结果可能无法准确表示作用于足底的足底表面的实际力，因为即使可重复，所提供的实际压力值也可能不准确。解决此类问题通常采用校准工具，如FSA[25]的压力校准工具。

2 基于足底压力的步态识别的数据分析

现代步态识别的数据分析种类很多，国内外对此研究也取得了不错的成果。

2.1 国外研究现状

国外的Lavery等[26]在1997年使用平均峰值足底压力作为评估参数，来确定具有和不具有粘弹性鞋垫的治疗和运动鞋的有效性。Catalfamo等[27]利用F-Scan软件使用的力检测(FD)内置算法和一种在步态周期中使用加载区域的新区域检测(AD)方法，对鞋内的压力进行了测量。两种方法，均在10名健康成人中进行了测试，并与动力学检测(KT)算法进行了比较，从而发现AD方法仍然接近KT检测，证明了其在可移植性方面的优势。Bennets[28]等利用K-means聚类分析将赤足足底压力测量值映射到七个感兴趣的区域，探索糖尿病患者区域性峰值足底压力的差异，验证了K-means聚类分析可以提供区域性峰值足底压力数据的客观区分，其不仅识别了主要足部划分区域，还揭示可能需要特殊鞋类干预的多种足底压力分布； 尽管主观分析足底压力可以在临床上进行，但在群体内的足底压力分布只能通过客观和定量的方法来精准可靠地识别。Sawacha[29]等采用四段三维脚运动学模型进行数值模拟，同时采用三段模型对步态下的足底分区进行定义，探究了糖尿病下肢并发症的根本原因是慢性高血糖导致的糖尿病足溃疡。Keijsers[30]的研究团队最近开发一种足底压力分析方法，得出了时间积分、峰值压力、平均压力、激活和失活时间的压力图像，以及每个像素的总接触时间。在用主成分分析法对压力图像进行预处理后，采用神经网络的正向选择过程对脚部疼痛进行分类。

2.2 国内研究现状

国内林尔东等[31]把地面反作用力分解成垂直力、横向力、摩擦力，从三种作用力的曲线里利用小波分解提取频域特征，再利用模糊C-均值聚类算法挑选最优特征子集，设计了多类分类器降低了速度对识别效果的影响，得到了不错的效果。丁汉等[32]使用 MATLAB 软件，对 FOOTSCAN 足底压力测量分析系统采集的足底压力峰值数据, 运用欧氏距离特征向量方差算法进行处理，以分析足底压力的稳定性。刘少虎等[33]运用文献资料法、数理统计法、逻辑分析等方法，借助 Footscan7 USB2 平板式足底压力测式系统, 对我国大学生行走和慢跑时的足底压力进行测试，了解当代大学生的步态特征和足底压力分布的整体情况和个体差异。方正文等[34]提出了一种基于低维足底压力特征的步态聚类算法，提高了算法的识别率，具有更强的可行性。夏懿等[4]将足底压力特征从空间域扩展到时间域，构造出时空HOG特征向量，对不同速度的样本集利用支持向量机进行分类识别。东南大学的强家辉等[35]利用基于SVM的检测算法，设计了一种基于足底压力的人体姿态检测和行为分析系统。

现阶段步态识别的数据分析通常是基于电脑软件，利用数学运算分析足部压力，且国外的分析技术远领先于国内，国内运用的计算软件基本也是国外产品，一直处于跟随模仿阶段。

3 总结与展望

基于足底压力的步态识别，是步态识别的一个重要分支。步态识别作为一个新兴的技术领域，其研究仍处于理论探索阶段，远远没有达到日常应用阶段。未来，基于足底压力的步态识别技术发展方向主要有：

(1)数据库的建立

目前，指纹数据库已经相对成熟，但人群足底压力的数据却相当匮乏，这无论对于刑侦领域、学术领域还是医疗康复领域都是巨大的缺失。在研究足底压力方向时，研究人员通常采取是个人或小规模取样，得出的结论往往具有特异性或区域性，且数据资源难以共享，因此数据库的建立十分必要。

(2)数据的实时采集

早期足底压力的测量通常是基于被测量者的某一静态时期，近年随着无线鞋垫式足底压力传感器的出现，为实时采集各类运动状态下，人体产生的足底压力数据提供了极大的便利。考虑到个人在同一运动状态下，其足底压力随时间的变化具有稳定性，而在不同运动状态下，其足底压力随时间的变化具有各自的特异性，因此，基于足底压力数据的实时采集，通过分析个人在不同运动状态下足底压力随时间变化的特征，进而对个人的运动状态进行实时的自动的识别，在理论和方法上，具有可行性，因此是基于足底压力步态识别的方向之一。

(3)数据的筛选

由于步态压力的特征可以反映多种疾病，未来医生可以将压力数据作为判断某些疾病的主要依据，通过将大量所提取的数据进行数据的融合筛选，把所得到的整个足底信息提炼简化，从中抽取有用的关键部位或关键点，从而可简化之后的数据采集及分析方法，便于医生快速诊断病情，同样也降低了采集数据的成本。

(4)算法的创新

现有算法通常只适用于静态足底压力或单人且背景不复杂的情况，计算较为繁琐，但实际场景可能较为复杂，物体多为运动状态，因此创新算法，提升步态识别的效率也是一项重要的挑战。