本研究由Yue Li和Rachid Aissaoui完成，作者来自加拿大蒙特利尔 École de technologie supérieure 的影像与骨科研究实验室（Imaging and Orthopaedics Research Laboratory）。该论文发表于2006年7月9日至12日在加拿大魁北克省蒙特利尔举办的IEEE ISIE 2006国际学术会议上。
一、研究背景与目的
本研究属于康复工程与生物力学交叉领域，重点关注轮椅使用者的坐姿测量与预测问题。坐姿（seating posture）对于轮椅使用者具有重要的临床意义，良好的坐姿有助于维持皮肤完整性、提高功能活动能力以及增强生活独立性。然而，传统的坐姿测量技术存在明显局限：X射线、磁共振成像和超声波等方法虽然精度高，但设备复杂且只能在实验室环境中使用；量角器法只能提供骨盆倾斜和髋关节屈曲的有限信息；三维数字化仪方法则需要对体表标志进行精确识别，操作难度较大。因此，研究人员开始探索通过间接方法来预测坐姿，即利用身体与座椅接触面（body-seat interface）的形状信息和压力分布信息来推断躯干、骨盆和大腿的空间角度。已有研究虽然尝试通过界面形状或压力分布来识别不同姿态，但大多停留在描述性分析层面，未能提供定量的角度预测模型。本研究的主要目标是应用体座界面形状测量和压力分布测量，建立线性回归模型，以实现对躯干屈曲角、骨盆旋转角等坐姿参数的定量预测。
二、研究流程与方法
本研究招募了16名轮椅使用者作为受试者，其中男性8名、女性8名，平均年龄为52.9±12.2岁，平均体重为71.1±12.5千克，平均身高为165.2±8.5厘米。受试者来自Lucie-Bruneau康复中心，筛选标准包括年龄在18岁及以上、过去12个月内无压力性溃疡、需要轻度至中度身体支撑且无严重骨盆畸形、臀部和股部至少保留部分感觉并能评价舒适度、坐垫宽度在16至18英寸之间。所有程序均获得该康复中心伦理委员会批准。
实验在轮椅模拟器（wheelchair simulator）上进行。研究者将一块3英寸厚的平板泡沫坐垫放置在模拟器上，其上依次叠加形状传感阵列（Shape Sensing Array, SSA）和力传感阵列（Force Sensing Array, FSA），最上层覆盖一层可拉伸的防水氯丁橡胶罩。形状传感阵列是作者于2002年自主研发的设备，由10条ShapeTape™组成，每条包含12个光纤曲率传感器，整套系统厚度仅1.3毫米，可以放置在人体与座椅之间而不干扰自然坐感。该系统的均方根误差为3.79毫米，重复性误差在可控条件下小于0.38毫米。力传感阵列采用商业化的FSA压力垫，由16×16个力敏电阻组成，在0至160 mmHg范围内具有高度线性，线性回归系数为0.99。坐姿测量采用三维数字化仪，由同一名临床医生在每位受试者身上标记九个骨性标志点，包括左右肩峰、颈静脉切迹、剑突、右髂嵴、左右髂前上棘、右大转子和右股骨外上髁。此外，研究者还数字化了模拟器上的四个标记点和形状传感阵列上的二十个标记点，以确定传感器与模拟器的空间位置关系。
在数据采集过程中，受试者由职业治疗师负责定位，要求骨盆在内外侧方向上居中置于座椅上，骨盆尽量靠后，大腿保持水平，双手放在膝上并面向前方。座椅表面保持水平，靠背向后倾斜不超过10度。受试者定位完成后，分别测量界面形状和压力分布，然后进行标志点数字化。随后受试者回到自己的轮椅休息2分钟，再以同样方式重新定位并测量，整个过程对每位受试者重复五次。
研究定义了七个坐姿角度作为输出变量，包括矢状面躯干角、骨盆旋转角（横断面骨盆角）、矢状面骨盆角（骨盆倾斜角）、额状面骨盆角（骨盆倾斜不对称角）、横断面大腿旋转角、矢状面大腿角以及骨盆-大腿夹角。输入变量分为三组：压力变量组包含12个参数，如平均压力、压力中心坐标、接触面积、左右区域峰值压力及其压力中心、激活传感器数量、压力标准差等；形状变量组包含56个参数，分为前后方向截面曲线特征参数、内外侧方向截面曲线特征参数、水平轮廓形状参数和三维形状参数四类；联合变量组则合并了上述68个参数。由于观测样本数相对较少，研究者首先使用Pearson积矩相关系数筛选与目标变量在0.01水平上显著相关的预测变量，再将其纳入模型。模型采用线性回归（Linear Regression, LR）方法，通过最小二乘误差估计系数。模型评估采用10折交叉验证（10-fold cross-validation），并重复10次取平均值以降低敏感性。评估指标包括均方根误差（Root Mean Square Error, RMS）、平均绝对偏差（Mean Absolute Deviation, MAD）和决定系数（R²）。
三、主要研究结果
使用压力变量的模型表现最差，训练阶段和测试阶段的R²分别在0.36至0.67和0.39至0.67之间。其中预测骨盆倾斜角和骨盆-大腿夹角的误差最大，测试RMS分别达到11.77°和11.81°。这说明仅靠压力信息难以准确预测坐姿角度。
使用形状变量的模型表现有所改善。矢状面躯干角的测试R²达到0.70，RMS为3.82°；矢状面大腿角表现最好，测试R²为0.83，RMS仅为1.16°。但骨盆旋转角和横断面大腿旋转角的预测精度反而低于压力模型，其测试RMS分别为2.22°和8.65°。这可能表明形状变量对横断面内的姿态变化不如压力变量敏感。
使用联合变量的模型在所有姿态参数上均优于单独使用压力或形状变量的模型。矢状面大腿角的预测精度最高，测试R²为0.85，RMS为1.09°，MAD为0.67°。其次是骨盆-大腿夹角，测试R²达到0.91，RMS为4.18°。对于矢状面骨盆角，联合模型将压力模型的RMS从11.77°降低到5.80°，R²从0.42提升到0.84。在联合模型中，共有8个压力变量和34个形状变量被纳入不同目标变量的预测模型。其中右侧峰值压力（PPR）是最常使用的压力变量，用于预测骨盆旋转角、横断面大腿旋转角、矢状面大腿角和骨盆-大腿夹角四个变量。在形状变量中，衡量形状平坦度和对称性的参数被使用次数最多，出现在五个姿态角度的预测模型中。
研究者进一步分析了预测误差是否随受试者体型变化。将受试者按身高分为三组：小于161.4厘米组（6人）、161.4至170.4厘米组（6人）和大于170.4厘米组（4人）。使用Brown & Forsythe检验进行方差齐性检验，结果显示骨盆旋转角、矢状面骨盆角、横断面大腿旋转角和矢状面大腿角的误差方差在各组间无显著差异。然而躯干角和骨盆-大腿夹角的误差随体型增大呈现一致性的下降趋势，说明对于这两个变量可能需要针对不同身高组分别建立模型以提高预测精度。
四、结论与意义
本研究成功建立了基于界面形状和压力信息的线性回归模型，能够以较高的精度预测躯干、骨盆和大腿的三维坐姿角度。压力分布和界面形状数据为坐姿测量提供了定量、客观的指标，所提出的方法可以用于更有效的轮椅或汽车座椅设计与评估。与已有研究相比，本研究首次将界面形状信息纳入姿态预测模型，实现了从二维到三维姿态预测的跨越。此外，自主研发的形状传感阵列系统为获取体座界面形状提供了可靠的测量工具，这是以往研究中无法获取的关键信息。联合模型的结果表明，形状信息对矢状面和额状面的姿态预测贡献最大，而压力信息在横断面姿态预测中仍具有不可替代的作用。
研究也存在若干局限性。首先，仅测试了轮椅使用者在单一坐姿条件下的数据，且座椅高度和座椅角度不可调节，模型的普适性有待进一步验证。其次，模型仅考虑了座面界面的形状和压力，未包括靠背界面的信息，而已有研究显示靠背压力与坐姿关系密切。第三，姿态测量与压力、形状测量并不同步进行，受试者可能在测量过程中发生轻微移动。第四，受试者年龄范围为30至68岁，结果可能无法推广到其他人群。研究者提出未来将采用运动分析系统实现同步测量，并开发动态模型以进一步提高预测性能。总体而言，该研究为智能座椅系统的发展提供了重要的技术基础，为姿态识别和实时反馈控制开辟了新的可能性。