基于惯性传感器的人体运动分析综合评述：现状、趋势与未来方向

本文旨在向您介绍一篇发表于2023年的重要学术评述文章。该文题为 “Inertial sensors for human motion analysis: a comprehensive review”（《用于人体运动分析的惯性传感器：一项全面评述》），由 Sara García-de-Villa, David Casillas-Pérez, Ana Jiménez-Martín（IEEE会员）和 Juan Jesús García-Domínguez（IEEE高级会员）共同撰写，并发表于 IEEE Transactions on Instrumentation and Measurement 期刊（卷号72）。作者主要来自西班牙的阿尔卡拉大学和胡安卡洛斯国王大学。这篇论文是一篇系统性评述（属于类型b），旨在全面梳理和解析利用惯性测量单元（Inertial Measurement Units, IMUs）进行人体运动分析的研究现状、关键技术、应用趋势，并指出未来可能的研究方向。

评述的主题与背景 该评述的核心科学领域是人体运动分析与生物力学工程，具体聚焦于利用可穿戴惯性传感器（即IMU）进行人体运动学参数（如关节角度、节段方位）的估计与评估。传统上，基于光学动作捕捉的系统（如Vicon）被视为运动分析领域的“金标准”，但其存在设备昂贵、需要专门人员操作、受限于实验室空间等固有缺点。相比之下，基于IMU的惯性运动分析系统具有便携、可应用于日常生活环境、成本相对较低等优势，这使得其在过去几十年里，尤其是在实现连续、自然状态下的运动监测方面，获得了越来越多的研究关注。

进行本次评述的主要原因有几点。首先，距离上一次涵盖该领域的广泛性系统性评述（发表于2016年）已有数年，而自那时起，该领域的出版物数量显著增长（如图1所示），产生了大量新研究，迫切需要更新知识图谱。其次，机器学习（Machine Learning, ML）方法近年来在此领域兴起并得到广泛应用，为传统的传感器融合算法带来了新的视角和可能性。因此，本文的主要目标不仅是更新文献概览，更着重于深入分析ML方法在此领域的应用与演变。具体目标包括：回顾截至2022年8月使用IMU进行人体运动分析的文献，并按照出版商、使用传感器、应用类型、监测单元、算法方法、研究参与者和验证系统等多个维度进行结构化分析；同时，深入探讨近年来的机器学习技术和降低估计误差的方法，从而揭示研究趋势，并为未来工作提供方向性建议。

评述的主要观点、证据与结构 本文的评述结构严谨，遵循了系统评价和元分析的首选报告项目（PRISMA）流程图进行文献筛选。初始检索在八个数据库中进行，最终从4130篇文献中筛选出符合严格入选标准（如仅使用IMU、有验证系统、经同行评议）的147项研究进行深入分析。以下将逐一阐述评述所提炼出的核心观点及其支撑证据。

观点一：传感器使用与数据融合策略呈现多样化，但磁力计使用谨慎，三维估计是主流。 文章分析发现，IMU内部的三类传感器——陀螺仪（Gyroscope）、加速度计（Accelerometer）和磁力计（Magnetometer）——在研究中被以不同方式组合使用。最常见的是融合陀螺仪和加速度计的数据（占比最高），其次是融合所有三种传感器。然而，一个显著趋势是，单独或组合使用磁力计的研究相对较少，主要原因是磁力计极易受到环境中磁场干扰的影响。有趣的是，尽管71.4%的研究致力于获得三维（3D）运动学估计（这通常需要磁力计提供绝对航向参考来校正陀螺仪漂移），但实际研究中，许多实现3D估计的算法通过提出其他误差降低方法（如生物力学约束或机器学习），巧妙地避免了对磁力计的依赖或减轻了其干扰带来的误差。这表明，研究界正积极寻求在无需稳定磁场参考的情况下实现鲁棒的3D姿态估计。例如，有研究提出自适应方法，在检测到运动主要发生在单一平面时提供二维（2D）估计，当检测到平面外运动时则切换到使用陀螺仪积分进行3D估计。

观点二：研究应用高度集中于医疗健康领域，监测重点由身体局部向全身姿态发展。 高达95.2%的评述研究将医疗健康相关应用列为主要或潜在应用领域。这些应用具体可细分为：通用的动作捕捉与分析（33.5%）、步态分析（19.1%）、特定临床评估（14.5%）以及康复与运动科学（19.6%）。这一分布凸显了IMU技术在提升临床评估客观性、实现家庭康复监测和预防性治疗方面的巨大价值。在监测的身体部位方面，历史趋势发生了转变：早期研究更多关注上肢，而近期研究则显著集中于下肢（61.2%），特别是腿部关节（如髋、膝、踝），这与步态分析的重要性密切相关。然而，一个值得注意的新兴趋势是，与之前的评述发现相比，近三年的研究开始更多地将目光投向全身姿态的监测（占4.1%）。为了实现全身监测同时减少佩戴传感器的数量，“稀疏IMU”结合机器学习的方法成为一个有前景的研究方向，即使用数量有限的传感器来推测全身关节姿态。这标志着研究正从解决特定肢体问题向构建更完整的运动分析系统演进。

观点三：算法演变呈现从传统滤波到数据驱动的清晰脉络，机器学习方法尤其是深度学习正迅速崛起。 评述将用于运动学参数估计算法分为五大类：积分法、矢量观测法、传感器融合滤波器、机器学习技术以及其他方法。 * 传感器融合滤波器（特别是卡尔曼滤波器及其变体） 目前仍是使用最广泛的算法类别，这延续了之前的趋势。扩展卡尔曼滤波器（Extended Kalman Filter, EKF）、标准卡尔曼滤波器（Kalman Filter, KF）和无迹卡尔曼滤波器（Unscented Kalman Filter, UKF）被广泛应用于融合不同传感器数据，以估计关节或节段的方位和位置。互补滤波器（Complementary Filters）也因其计算效率高而被采用。 * 机器学习方法 已成为第二大常用算法类别，并在近年来呈现快速增长态势。其中，监督学习方法占主导。评述详细列举了多种ML方法的应用：从经典方法如高斯过程（Gaussian Processes）、决策树，到更为流行的人工神经网络（Artificial Neural Networks, ANNs） 及其更先进的形态——深度学习（Deep Learning） 模型。在深度学习中，长短期记忆网络（Long Short-Term Memory, LSTM） 和卷积神经网络（Convolutional Neural Networks, CNNs） 是应用最广泛的架构，它们能够从惯性传感器数据序列中学习复杂的时空特征，用于直接估计关节角度。有研究比较了CNN、LSTM和多层感知机（Multilayer Perceptron, MLP） 的性能，发现CNN在特定任务上能提供更优的指标。ML方法的优势在于其对传感器固有噪声的鲁棒性，以及避免使用易受干扰的磁力计数据的潜力。但其核心挑战在于需要大量带标注的训练数据。为解决此问题，研究者常采用两种策略：一是利用光学动作捕捉系统数据生成模拟的IMU数据；二是使用高精度商业IMU系统（如Xsens）的输出作为参考真值。然而，这两种策略分别存在模拟数据可能不包含真实IMU误差，以及商业IMU本身存在一定误差的局限性。

观点四：广泛采用生物力学约束以减少误差，但其通用性面临挑战。 为了提升估计精度，许多研究引入了生物力学约束（Biomechanical Constraints, BCs）。这主要包括： 1. 自由度（Degrees of Freedom, DoF）简化：将解剖学上具有多个自由度的关节（如膝关节）模型简化为铰链关节（1-DoF），以降低问题复杂度。 2. 关节活动范围（Range of Motion, ROM）限制：将估计的角度限制在解剖学可能的范围内，修正异常值。 3. 软约束（Soft Constraints）：利用已知或估计的节段长度、传感器相对于关节的位置等信息，通过运动学链（如使用丹纳维特-哈滕伯格参数，Denavit–Hartenberg parameters）建立节段间的几何关系，从而约束相邻传感器的运动一致性。 这些约束虽然有效，但其普适性存在问题。例如，ROM和DoF假设可能不适用于患有运动系统疾病的特殊人群；节段长度和传感器佩戴位置（受软组织运动伪影影响）在实际应用中往往难以精确获知。因此，开发能够适应个体差异和动态变化的校准方法，是未来研究的重要方向。

观点五：研究方法学存在共性局限：验证系统单一、被试样本量小且多为健康人群。 评述指出了当前研究在验证和方法上的普遍局限性： * 验证系统（Validation Systems, VSs）：68%的研究依然依赖基于摄像机的三维光学动作捕捉系统（如Vicon）作为验证的“金标准”。这本身构成一个悖论：旨在摆脱实验室限制的IMU系统，其性能评估却大多仍在受控的实验室环境下进行。其他验证方式包括使用商业IMU系统（6.8%）、电子测角仪（8.2%）等。 * 研究参与者：大多数研究的样本量很小。34.7%的研究仅使用1名被试进行验证，中位数仅为3名。虽然采用ML方法的研究往往需要更多数据，但其数据常通过上述模拟方式扩充。这种小样本研究使得结果难以推广到更广泛的人群。 * 人群多样性：尽管绝大多数研究都宣称其应用面向医疗健康，但仅有8.2%的研究在被试中包含了患有运动系统疾病的个体。这暴露出研究与实际临床需求之间存在的鸿沟。

观点六：准确度指标显示机器学习方法具有潜力，但缺乏公平比较。 在报告的准确性指标方面，最常用的是均方根误差（Root Mean Square Error, RMSE）。对于角度测量，评述中发现机器学习方法报告的RMSE范围（2.48° - 5.70°）略优于经典方法报告的范围（2.24° - 7.80°），这表明ML方法颇具潜力。然而，文章强调，目前尚缺乏使用共同数据集对传统滤波方法和现代ML方法进行公平比较的研究，这使得直接判断哪种方法更优变得困难。

评述的学术价值与意义 这篇系统性评述具有重要的学术价值和实践指导意义。首先，它为研究社区提供了一份截至2022年的、结构清晰的“领域地图”，帮助新进入者快速把握技术脉络，并让现有研究者了解自身工作在更广阔背景下的位置。其次，它敏锐地捕捉并深入分析了从传统传感器融合到数据驱动方法的范式转变趋势，特别是对机器学习算法的类型、输入输出、数据需求进行了详细梳理，为后续算法选型和应用开发提供了宝贵参考。再者，评述不仅总结了成就，更关键是指出了当前研究在验证方法、样本代表性和生物力学约束普适性等方面存在的系统性局限。这些批判性分析直指领域发展的痛点，为未来研究指明了需要突破的方向，例如：开发更贴近真实应用场景的验证协议；建立开源、大规模、包含多样人群的基准数据集；设计能够自适应个体解剖和病理特征的算法；以及推动针对复杂关节和全身姿态监测的研究。最后，文章呼吁未来的提案应在更多样化、更大规模的被试群体上进行测试，这有助于提升研究结果的可靠性和外推性，加速惯性运动分析技术从实验室走向真实世界应用的进程。

García-de-Villa等人的这篇全面评述，不仅是对过去几十年基于惯性传感器的人体运动分析研究的系统性总结，更是一份指引该领域未来迈向更成熟、更可靠、更具包容性发展的战略性文献。