助行模式对步态稳定性及肌肉激活度的影响

季润; 杨洁萌; 官志鹏; 陶春静; 樊瑜波

doi:10.12404/j.issn.1671-1815.2503164

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (4) :1376-1389 DOI: 10.12404/j.issn.1671-1815.2503164

医药、卫生

助行模式对步态稳定性及肌肉激活度的影响

季润 ¹^,²^,³^,⁴^,⁵ ,
杨洁萌 ¹^,²^,³^,⁴^,⁵ ,
官志鹏 ⁶^,⁷ ,
陶春静 ¹^,²^,³^,⁴ ,
樊瑜波 ¹^,²^,³^,⁴^,^*

作者信息 +

¹ 北京航空航天大学生物力学与力生物学教育部重点实验室，北京 100191

² 北京航空航天大学北京市生物医学工程高精尖创新中心，北京 100191

³ 北京航空航天大学生物与医学工程学院，北京 100191

⁴ 北京航空航天大学医学科学与工程学院，北京 100191

⁵ 国家康复辅具研究中心民政部人体运动分析与康复技术重点实验室，北京 100176

⁶ 天津理工大学天津市先进机电系统设计与智能控制重点实验室，天津 300384

⁷ 天津理工大学机电工程国家级实验教学示范中心，天津 300384

通信作者:

^*樊瑜波（1965—），男，汉族，四川南充人，博士，教授，博士研究生导师。研究方向：生物力学、康复工程、血流动力学。E-mail：yubofan@buaa.edu.cn。

作者简介:

季润（1985—），男，汉族，北京人，博士，助理研究员。研究方向：康复工程。E-mail：573968854@qq.com。

收起

Influence of Assistive Walking Modes on Gait Stability and Muscle Activation

JI Run ¹^,²^,³^,⁴^,⁵ ,
YANG Jie-meng ¹^,²^,³^,⁴^,⁵ ,
GUAN Zhi-peng ⁶^,⁷ ,
TAO Chun-jing ¹^,²^,³^,⁴ ,
FAN Yu-bo ¹^,²^,³^,⁴^,^*

Author information +

文章历史 +

摘要

助行器作为改善老年人和下肢功能障碍患者步态稳定性的重要辅助工具，其参数配置（类型、高度、宽度）对步态动力学和肌肉激活模式的影响是康复工程领域的研究热点。通过多模态数据同步采集技术，结合三维运动捕捉系统、测力台和表面肌电信号（surface electromyography，sEMG），定量分析了框式与轮式助行器在不同高度和宽度配置下对步态稳定性及下肢肌肉激活的影响。实验招募6名老年人受试者，在18种助行模式组合下完成行走任务，评估步态稳定性指数（gait stability index，GSI）和肌肉激活指标[均方根振幅（root mean square，RMS）、积分肌电值（integrated electromyography，iEMG）]。结果表明：轮式助行器在高度调整至股骨大转子上方2.5 cm（H25）时表现最优，步态平稳率仅为0.008 7，显著优于框式助行器；而宽度过大的设计（如W80）会降低稳定性。助行器高度显著影响比目鱼肌和股四头肌的激活强度，H50配置导致肌肉激活度增加；宽度调整则主要影响腓肠肌和股三头肌，W80引发过度激活。H0W50（标准高度与宽度）在支撑与肌肉负荷间实现了最佳平衡。研究成果揭示了助行模式参数化调控中的非线性矛盾，为优化助行器设计以平衡步态稳定性与肌肉代谢负荷提供了理论依据，对康复辅具的个性化适配具有重要指导意义。

Abstract

Walking aids，as essential assistive devices for improving gait stability in the elderly and individuals with lower limb dysfunction，have parameters （type，height，width） whose configurations significantly influence gait dynamics and muscle activation patterns，making this a key research focus in rehabilitation engineering. Multimodal data synchronization technology was employed，integrating a 3D motion capture system，force platforms，and surface electromyography （sEMG），to quantitatively analyze the effects of frame-style and wheeled walkers under different height and width configurations on gait stability and lower limb muscle activation. Six elderly participants were recruited to complete walking tasks under 18 walking aid mode combinations，with evaluations of the gait stability index （GSI） and muscle activation metrics [root mean square（RMS），integrated electromyography（iEMG）].The results demonstrate that the wheeled walker achieves optimal performance when adjusts to a height of 2.5 cm above the greater trochanter （H25），with a gait smoothness rate of only 0.008 7，significantly outperforming the frame-style walker. However，excessive width （e.g.，W80） reduces stability. Walker height significantly affects the activation intensity of the soleus and quadriceps，with the H50 configuration increasing muscle activation. Width adjustments primarily influence the gastrocnemius and triceps surae，with W80 causing overactivation. The H0W50 （standard height and width） configuration achieves the best balance between support and muscle load. The results reveal nonlinear contradictions in the parametric regulation of walking aid modes，providing a theoretical basis for optimizing walker design to balance gait stability and muscle metabolic load. The findings offer important guidance for the personalized fitting of rehabilitation assistive devices.

Graphical abstract

关键词

助行器 / 步态稳定性 / 肌肉激活 / 表面肌电（sEMG） / 生物力学分析

Key words

walking aid / gait stability / muscle activation / surface electromyography （sEMG） / biomechanical analysis

引用本文

引用格式 ▾

季润, 杨洁萌, 官志鹏, 陶春静, 樊瑜波. 助行模式对步态稳定性及肌肉激活度的影响[J]. 科学技术与工程, 2026, 26(4): 1376-1389 DOI:10.12404/j.issn.1671-1815.2503164

JI Run, YANG Jie-meng, GUAN Zhi-peng, TAO Chun-jing, FAN Yu-bo. Influence of Assistive Walking Modes on Gait Stability and Muscle Activation[J]. Science Technology and Engineering, 2026, 26(4): 1376-1389 DOI:10.12404/j.issn.1671-1815.2503164

登录浏览全文

4963

注册一个新账户忘记密码

人体的衰老伴随生理功能的系统性衰退，导致身体机能与运动能力下降，进而引发行动功能障碍，显著影响日常生活活动能力。随着人口老龄化加速及残疾人口比例上升，老年与残障群体对辅助移动设备的需求日益凸显，已成为重要的公共卫生议题。

助行器作为改善老年人及下肢功能障碍者步态稳定性的关键康复辅具，其模式参数（类型、高度、宽度）对生物力学稳定机制的调控效应受到广泛关注。助行模式通过重构人体-环境动力学交互机制，对步态稳定性产生多维影响，呈现出“静态增益-动态损耗”的双重特性。当前助行器设计多通过扩大支撑基底或优化关节力矩对称性以提升稳定性，但参数调整常伴随隐性风险：如部分配置虽可降低重心偏移或改善步频波动，却可能引起关节动力学失调、步态推进效率下降或侧向失稳；在肌肉调控层面，局部肌群负荷减轻往往伴随其他肌群代偿超载，进而诱发能量代谢失衡与疲劳累积。

为系统解析“稳定性-代谢”双向调控机制，研究多采用逆向动力学分析与多通道表面肌电信号同步采集技术，构建步态周期内关节力矩协方差矩阵，以定量评估助行模式对步态稳定性及神经肌肉控制的影响。

生物力学研究证实，助行器通过扩展支撑基底面积有效提升静态平衡能力。Bateni等^[1]研究发现，标准助行器可使支撑基底面积增至自然步态的1.5~2.3倍，并通过上肢反作用力调节重心轨迹，使重心偏移量降低38.2%±5.6%。该稳定效应在肌力衰退患者中尤为显著：前交叉韧带重建术后患者使用助行器后，静态稳定性指数提升12.6%，动态稳定性指数增加8.3%^[2]。对全髋关节置换术患者，前臂拐杖可使患侧髋关节外展力矩峰值自（1.05±0.18） N·m/kg降至（0.83±0.15） N·m/kg（降幅21%），步态对称性指数由0.62±0.11提升至0.79±0.09，有效缓解关节代偿负荷^[3]。

然而，静态稳定性的增益常伴随动态协调能力的隐性损耗。Murawa等^[4]的三维动力学分析显示，三点拐杖步态中双侧关节负荷失衡率达68%。步长不对称率（步长差/平均步长×100%）与早期助行器使用强度呈显著正相关，提示代偿步态可能经神经肌肉记忆固化为永久性异常。膝关节骨关节炎患者使用拐杖时步频降低12%~14%，步速下降14%~16%，归因于运动链动力传递效率损失导致的踝关节推进力衰减（跖屈力矩下降23.7%±6.4%）^[5]。

基于sEMG的肌肉贡献率分析已成为评估步态过程中肌肉功能的重要手段^[6-7]。通过多通道sEMG采集步态各时相（如着地缓冲期、后蹬期等）中腓肠肌内侧头、股直肌等关键肌群信号，并经积分处理可量化各肌肉贡献率^[8-9]。

陈晟辉^[10]对比正常行走与四轮助行器辅助下股直肌、股二头肌等下肢肌群的表面肌电信号（surface electromyography，sEMG）信号，发现助行器使用显著降低肌电幅值与积分值（降幅7.52%~10.21%），但在膝关节助力方面仍存在局限，故提出结合下肢外骨骼的协同增强方案。Yao等^[11]对全髋关节置换术后患者的研究显示，前臂拐杖辅助下步频降低、步长增加、步态对称性改善，但30.2%受试者在摆动期出现患侧髋外展肌群异常激活模式（如双峰激活或持续性激活）。王伟等^[12]通过绳驱动踝关节外骨骼调控助力时序与力矩，系统分析7名受试者在水平步行中的下肢sEMG信号，揭示了不同助力模式下小腿肌肉激活曲线的差异。

均方根振幅（root mean square，RMS）与积分肌电值（integrated electromyography，iEMG）作为肌肉活动状态的客观量化指标，在助行器研究中广泛应用^[13-14]。Johnson^[15]利用iEMG评估发现特定助行器可降低膝关节术后患者的肌肉活动总量，促进康复。方武^[16]基于非负矩阵分解算法提取肌肉协同模式，发现疲劳前后均可稳定提取4种协同结构（相似性指数>0.85），表明基础神经控制策略在疲劳状态下仍保持稳定。钱一嘉^[17]构建卷积神经网络-长短期记忆网络（convolutional neural network-long short-term memory network，CNN-LSTM）混合神经网络模型，融合多域肌电特征，实现步行训练中疲劳阶段的精准识别（准确率92.7%），为个性化康复方案提供数据支持。

合理配置助行器参数可有效改善步态对称性、降低波动并增强动态稳定性。然而，稳定性增益常伴随肌肉激活模式重构，导致局部肌群负荷失衡、代偿性超载及神经肌肉控制效率下降。现有研究多聚焦于步态稳定性提升，对肌肉激活非均衡调控的系统评估不足，致使助行器参数优化难以权衡稳定性与肌肉负荷间的矛盾。尤其在个体差异与多步态条件下，如何构建兼顾步态稳定性与肌肉代谢负荷的个性化助行模式优化策略，尚缺乏统一理论框架。未来研究应在全面量化步态稳定性与肌肉激活调控机制的基础上，探索平衡二者的优化方法，以提升助行器的生物力学合理性与个体适配性。

1 下肢肌骨系统运动机制

下肢肌骨系统是人体运动的重要基础，其健康状况直接影响个体的行走能力、平衡控制以及步态稳定性。随着老龄化社会的加剧，步态异常、关节退行性病变等问题日益突出，对下肢运动特征的研究具有重要的理论价值和应用意义。因此，需要明确下肢运动系统的运动特点，而且如何通过实验、仿真等方法对下肢运动特征进行系统性分析具有显著研究意义。

1.1 下肢关节运动范围

正常步态下的关节数据展示了人体在运动过程中的协调性与平衡^[3,7]。了解人体正常步态下的关节数据及髋膝踝屈曲角度范围对于分析助行器对下肢运动学影响具有重要意义，如表1所示，这些数据不仅有助于评估助行器的有效性，还可以指导助行器的设计和优化，制定个性化的康复方案。

通过对比使用助行器前后髋、膝、踝关节的屈曲角度范围，可以评估助行器在改善患者步态方面的有效性。如果助行器能够使患者的关节运动更接近正常范围，则说明其具有较好的康复效果。基于正常步态下的关节数据，设计师可以根据这些数据来优化助行器的结构、材料和功能，以更好地适应老年人的运动需求，提高其行走稳定性和舒适性。每位老年人的下肢运动学参数可能存在差异，通过测量和分析其下肢的关节数据，康复师可以制定个性化的康复方案，针对性地训练患者的髋、膝、踝关节，以达到较好的康复效果。此外，异常的关节运动可能导致关节磨损、疼痛等并发症。因此，通过监测患者使用助行器后的关节数据，可以及时发现并纠正异常运动模式，从而预测和预防潜在的健康问题。

1.2 实验准备

1.2.1 实验环境与助行器配置

在医疗和康复领域中，采用人体运动捕捉技术对受试者进行三维运动数据捕捉是一门相当成熟的技术^[18-20]。采用的Vicon动作捕捉系统（生产商：Oxford Metrics Limited，UK）作为全球首个专业光学运动捕捉系统，通过一组网络同步的Vicon MX摄像头构建了完整的三维运动捕捉平台，能够实时采集高精度光学运动数据。该系统具有以下核心特征：Vicon 系统以其卓越的测量精度和系统可靠性著称，所获取的光学运动数据既可用于实时在线监测，也可支持离线状态下的运动特征分析^[21-22]；Vicon系统配备的Vicon Vegas传感器具有高分辨率与高采样率的同步采集特性，能够实现优异的实时运动捕捉效果。该系统支持与多种第三方设备的无缝对接，涵盖兼容多种生物力学与运动分析设备，包括三维测力台、表面肌电采集系统、音频同步装置、数据传感手套以及眼动追踪仪等专业仪器。其先进的算法可在标记点被部分遮挡时通过软件补偿仍保持数据输出的完整性，同时具备友好的用户界面和强大的数据处理功能^[23]。如图1所示，本次实验采用12个Vicon Vantage V5摄像头同时进行运动捕捉，使用Vicon Nexus 2.12软件完成校准、数据采集、数据处理以及同步第三方测试设备。

为了测量下肢与地面的作用力，采用与Vicon系统同步的AMTI测力台采集受试者行走过程中的地面反力。目前，AMTI测力台的各项技术均很成熟，在生物力学分析、体育运动分析、人机工程学分析等领域中广泛应用。采用的AMTI测力台分别采集左、右脚的地面反力，且在采集开始前对力台进行了校准和调零处理。

受试者双手分别握住助行器两侧扶手中部，为避免不同受试者体重差异对压力值的影响，对每名受试者的压力数据均按体重进行归一化处理，最终取6名受试者数据的均值，其测量压力单位为N/kg。由于实验室AMTI测力台宽度为50 cm，不能实现助行器宽度为40 cm和50 cm时对人体所受地面反力的单独测量，因此在力台上加装长48 cm、宽30 cm、高7 cm的钢板，其余部分通过横梁架空铺设高密度木板作为步道，高度与钢板一致，总长4.2 m，宽1.2 m，实现对地面反力和助行器受力的单独测量，如图2所示。

在完成实验环境的搭建后，为研究助行器类型、高度、宽度对受试者下肢生物力学影响，实验开始前在标准框式助行器的基础上改造，如图3所示。助行器原始尺寸为宽51 cm、高度范围73~91 cm、前后脚间距离为47 cm。助行器标准高度为平行于受试者股骨大转子高度^[24]，标准宽度为该助行器原始宽度（约50 cm）。改装后，助行器可通过安装4个支脚或4个轮子实现框式助行器和轮式助行器的变换；助行器高度可在85~97.5 cm范围内以2.5 cm为一个单位进行调节，实现在受试者使用助行器标准高度的±5.00 cm范围内调整；助行器宽度可在1（肩宽约为40 cm）~2倍肩宽（2倍肩宽约为80 cm）范围内以10 cm为一个单位进行调整，这是由于当助行器宽度小于一倍肩宽时，人体无法正常进入助行器范围内，当助行器宽度大于两倍肩宽时，受试者均反映助行器过宽自身对助行器控制能力明显降低，因此宽度调整范围设置为1.00~2.00倍肩宽。

1.2.2 实验对象与标记点配置

实验对象的纳入标准和排除标准如表2所示。实验前，由实验人员详细告知受试者本次实验目的和详细过程，询问受试者既往病史并观察确认受试者无关节活动受限情况，进行助行器使用培训，并由受试者签署知情同意书。研究内容严格遵守了伦理原则，并在研究开始前获得了伦理委员会的审查和批准。根据受试者纳入和排除标准，共选取6名老年人（5女1男）为实验对象，具体信息如表3所示。

研究涉及人体受试者的实验数据采集和分析，特别是在使用运动捕捉系统进行步态行为分析时，必须严格遵循相关伦理规范，确保受试者的权益和安全。为了保障研究的伦理合规性，在开展前已通过所在机构的伦理委员会（或伦理审查委员会）审批（审批号：BM20220211）。伦理审查旨在确保研究过程符合《赫尔辛基宣言》等国际伦理准则，特别是在知情同意、隐私保护和数据安全等方面的要求。

实验准备阶段严格遵循标准化流程，具体包括以下关键步骤：首先，采用Vicon Nexus 2.12运动捕捉系统软件完成人体形态学参数测量；其次，依据全身生物力学模型Vicon Plug-in Gait Full Body的标准规范，在受试者体表相应解剖学位置精准粘贴直径14 mm的被动式反光标记球，共计39个标记点（图4^[25]）；随后，对运动捕捉系统进行严格的三维空间标定与精度校准；最后，对受试者进行助行器具使用的规范化训练。这一系列准备工作确保了运动捕捉数据的准确性和可靠性。

实验测试过程中，基于受试者的个体形态学特征，建立了包含多项人体测量学参数的数据模型。该模型主要整合了下肢长度、膝关节宽度、踝关节宽度、肘关节宽度、腕关节宽度、手掌厚度以及肩峰至膝关节旋转中心距离等关键解剖学尺寸参数。实验中为每位受试者构建自适应性的人体模型，有利于模型的数据的精确测量。

实验开始前需对采集系统进行标定，具体操作为匀速挥动T型架，确保每台摄像机至少采集2 000帧有效数据。采集完成后系统自动停止并开始计算，当“Image Error”数值小于0.2时即符合实验条件。完成空间原点设置（Set Origin）后，即可准备运动数据采集。待受试者熟练掌握助行器的规范操作后，方可开始正式实验。

2 助行模式对步态稳定性及肌肉激活度影响

当前助行器设计主要通过扩展支撑基底或优化关节力矩对称性来提升步态稳定性，但在参数调整过程中却常引发隐性问题：例如，尽管某些配置能够降低重心偏移量或改善步频波动，但同时也可能导致关节动力学参数失调，影响步态推进效率或增加侧向失稳风险；在肌肉激活调控方面，局部肌群的负荷减轻往往伴随着其他肌群的代偿超载，进而引发能量代谢失衡和疲劳风险。为系统揭示这一“稳定性-代谢”双向调控机制，采用逆向动力学分析与多通道sEMG同步采集技术，构建步态周期内关节力矩协方差矩阵，定量评估助行模式对步态稳定性和神经肌肉控制的影响。

2.1 实验方法

实验过程中，受试者依次完成三种行走模式：正常步速下的独立行走、轮式助行器辅助的交替步态行走，以及框式助行器辅助的延迟五点式步态行走（动作分解如图5所示）。以框式助行器任务为例，受试者自站立位起始，当左脚跟触地进入左腿单支撑期时，人体重心前移并通过助行器支撑体重；随后右足前迈触地转入双支撑期完成重心调整，双臂协同摆动助行器至身体前方稳定后，左腿进入摆动期迈步向前，此时助行器持续承担主要负荷。所有任务采用随机顺序执行，任务间设置充分休息时间（≥3 min），以消除疲劳干扰并确保步态自然性。

采用多模态数据同步采集方案：通过Vicon MX-T40三维运动捕捉系统（采样频率100 Hz）获取静态姿势及动态步态运动学数据（含独立行走、轮式与框式助行器辅助行走），同步集成定制化压力传感阵列（Kistler 9286CA，100 Hz）记录助行器支撑力时程曲线，并利用AMTI OR6-7测力台（1 500 Hz）采集地面反作用力三维分量。实验严格定义步态周期为左侧足跟首次触地至同侧足跟再次触地的完整运动序列，采用红外光电触发器实现多设备数据时相精准对齐，确保运动学-动力学数据时空一致性。

设计三类实验范式：独立行走（任务A）、轮式助行器辅助行走（任务B）及框式助行器辅助行走（任务C），均在水平步道完成。其中任务B与任务C通过调节助行器宽度（40、50、60、70、80 cm，对应1.00~2.00倍肩宽）及高度（基于股骨大转子解剖标志，设置±2.5 cm/±5.0 cm偏移量）构建参数化实验矩阵，共形成18种助行模式组合（9种宽度/高度组合×2种助行器类型）。

具体实验任务的设置如下。

（1）独立行走通过水平步道。

（2）使用轮式助行器通过水平步道。使用约与肩宽等宽（宽= 40 cm）、标准高度的轮式助行器通过水平步道；使用1.25倍肩宽宽度（助行器标准宽度，宽= 50 cm）、标准高度的轮式助行器通过水平步道；使用1.50倍肩宽宽度（宽= 60 cm）、标准高度的轮式助行器通过水平步道；使用1.75倍肩宽宽度（宽= 70 cm）、标准高度的轮式助行器通过水平步道；使用2.00倍肩宽宽度（宽= 80 cm，约为2倍肩宽）、标准高度的轮式助行器通过水平步道；使用标准宽度、低于股骨大转子5.0 cm的轮式助行器通过水平步道；使用标准宽度、低于股骨大转子2.5 cm的轮式助行器通过水平步道；使用标准宽度、高于股骨大转子2.5 cm的轮式助行器通过水平步道；使用标准宽度、高于股骨大转子5.0 cm的轮式助行器通过水平步道。

（3）使用框式助行器辅助行走通过水平步道。使用约与肩宽等宽（宽= 40 cm）、标准高度的框式助行器通过水平步道；使用1.25倍肩宽宽度（助行器标准宽度，宽= 50 cm）、标准高度的框式助行器通过水平步道；使用1.50倍肩宽宽度（宽= 60 cm）、标准高度的框式助行器通过水平步道；使用1.75倍肩宽宽度（宽= 70 cm）、标准高度的框式助行器通过水平步道；使用2.00倍肩宽宽度（宽= 80 cm）、标准高度的框式助行器通过水平步道；使用标准宽度、低于股骨大转子5.0 cm的框式助行器通过水平步道；使用标准宽度、低于股骨大转子2.5 cm的框式助行器通过水平步道；使用标准宽度、高于股骨大转子2.5 cm的框式助行器通过水平步道；使用标准宽度、高于股骨大转子5.0 cm的框式助行器通过水平步道。

如图6所示，实验采用触发式数据采集协议：当受试者沿预设方向完整跨越测力台区域（双脚分别接触不同测力台）时，同步启动Vicon Nexus 2.8系统（运动捕捉）、Kistler测力台（GRF采集）及压力传感模块（助行器载荷）进行数据记录。每个实验任务重复执行8次，按以下标准筛选有效数据：①视觉检查确认步态自然性；②Vicon软件回放验证力台接触序列准确性；③完整获取连续3个步态周期数据（定义周期为左足跟首次触地至同侧足跟再次触地）。

最终每位受试者每项任务保留≥6组有效数据，经时间标准化处理后计算个体均值，再对6名受试者数据进行群体平均。

2.2 实验结果与分析

2.2.1 不同助行模式的步态稳定性

（1）步态稳定性指数（gait stability index，GSI）。 GSI是通过评估步态相关参数，如跨步时间（stride time，ST，指每一步的时间长度）；步宽（step width，SW，指两条步态轨迹之间的横向距离）；步长（stride length，SL，指每一步的前后距离）的变异性来衡量步态的稳定性^[26]。步态稳定性评分公式通过结合步幅、步宽、步长的变异系数（CV）来计算稳定性分数^[27]。步态稳定性评分（stability score，SS）越小，步态越稳定。这是因为变异系数较小意味着步态的稳定性较高^[28-29]，个体在行走时的步伐变动较少。

步态稳定性评分计算公式为

（1）$\begin{array}{l}SS={w}_{1}CV\left(SL\right)+{w}_{2}CV\left(SW\right)+\\ {w}_{3}CV\left(ST\right)\end{array}$

式（1）中：w₁、w₂、w₃为权重，w₁=0.5，w₂=0.3，w₃=0.2。

（2）CV （变异系数）。变异系数（coefficient of variation，CV）是指某个步态参数的标准差与其均值之比^[30-31]，它衡量的是该参数的相对变异性，计算公式为

（2）$CV=\frac{\sigma }{\mu }$

式（2）中：σ为标准差；μ为均值。

基于前文计算出的不同助行器步态周期特征，进一步计算了所有助行器下的步态平稳率，结果如表4所示。

根据计算结果，可以得出以下结论。

（1）助H25轮式助行器步态平稳率为0.008 7。该组的步态稳定性最佳，助H25在两种类型的助行器中都表现最好。助H-25轮式助行器步态平稳率为0.027 2。这个助行器的步态稳定性排名第二，在轮式助行器中效果显著。助H-50框式助行器步态平稳率0.058 9和助H-50轮式助行器步态平稳率0.053 6。这两个助行器在步态稳定性上相对较好，差距较小，适合需要适度稳定性的人群。助H0W50轮式助行器和助W70轮式助行器两者的稳定性得分较高，分别为0.093 1和0.093 0，显示出较差的稳定性，可能不适合需要较高稳定性的用户。

（2）轮式助行器在大多数情况下表现出了较好的稳定性，尤其是助H25，这是两种类型中表现最优的助行器。对比框式和轮式助行器，轮式助行器的助H-50、助H-25和助W60组数据表现出了较高的稳定性。

2.2.2 不同助行模式的肌肉肌电特征

随着全球人口老龄化进程加速及运动损伤发生率上升，下肢功能障碍群体规模持续扩大，助行器作为改善步行能力的核心康复辅具，其生物力学适配性直接影响患者功能代偿效果与长期预后^[32-33]。基于神经肌肉功能评估理论，重点解析不同助行模式下表面肌电信号特征：均方根振幅（root mean square，RMS）与积分肌电值（integrated electromyography，iEMG），以揭示助行器参数配置对运动功能重建的调控机制^[34-36]。

RMS作为时域分析核心指标，通过式（3）量化肌电信号平均能量水平。

（3）$RMS=\sqrt{\frac{1}{T}}{\int }_{0}^{T}EM{G}^{2}（t）dt$

式（3）中：T为特定活动周期；EMG为肌电值；t为肌肉收缩时间。

RMS数值与肌纤维募集水平和运动单位放电同步性呈正相关，可表征肌肉收缩强度及疲劳状态^[37-38]。RMS值越高，表明肌肉的活动强度越大。随着肌肉疲劳的加剧，RMS值会逐渐下降。通过监测RMS值，可以指导患者进行适度的康复训练，避免过度疲劳^[39]。

iEMG则通过式（4）反映特定动作周期内肌肉总激活量。

（4）$iEMG={\int }_{{t}_{1}}^{t{ }_{2}}\left|EMG（t）\right|dt$

式（4）中：t₁、t₂为肌肉收缩时间。

iEMG值的大小与肌肉的收缩时间和收缩强度有关。iEMG值可以量化肌肉在特定时间内的总活动量。通过比较不同状态下的iEMG值，可以评估肌肉的功能状态。iEMG值可以为助行器的设计提供生理学依据，帮助优化助行器的助力策略^[40-41]。

通过同步分析RMS与iEMG指标，可构建“强度-总量”双维度评估体系：RMS揭示肌肉瞬时激活特征，iEMG反映整体代谢负荷^[42-43]。二者结合可解析助行模式对运动链协同效率的影响，为建立基于肌肉功能状态的可适配助行器设计准则提供理论支撑。

将测试过程分为6个阶段：①左脚着地→右脚离地；②右脚离地→右脚着地；③右脚着地→左脚离地；④左脚离地→左脚着地；⑤左脚着地→右脚离地；⑥右脚离地→右脚着地。

取②~⑤阶段为一个完整步态过程，避免开始与结束时对肌肉的过多影响。如图7所示，不同框式助行模式下RMS变化分析如下。

（1）比目鱼肌。如图7（a）所示，RMS在阶段2逐渐降低，阶段3略微回升，阶段4和阶段5趋于平稳。宽度（W）对比目鱼肌影响较小，高度影响较大。W60在阶段2表现出最高的激活水平，而H25在阶段4表现较低。阶段3、4的RMS在所有助行器中趋于平稳，无显著差异，阶段5中H-50激活水平最高。正常行走中，比目鱼肌在阶段2主要负责稳定足弓，RMS值应呈中等水平。助行器中高高度设计可能导致过度激活。

（2）股四头肌。如图7（b）所示，在阶段2~阶段4，股四头肌的RMS值随阶段逐步升高。在阶段2中，H50助行器的RMS值最高，相反，H-50助行器的RMS值最低，在阶段3中，W40助行器在这一阶段的RMS值最高。在阶段4中，W60助行器在这一阶段的RMS值最高，在阶段5中，W60助行器在这一阶段的RMS值最高。

（3）股三头肌。如图7（c）所示，股三头肌的RMS值在阶段3达到峰值，阶段4显著下降，阶段5恢复到较高水平。宽度对股三头肌激活有更显著影响，W80的RMS明显偏高。在阶段2中，W60助行器的RMS最高，在阶段3中，H0W50助行器在这一阶段的RMS值最高。在阶段4中，W80助行器在这一阶段的RMS值最高，在阶段5中，W80助行器在这一阶段的RMS值最高。正常行走中，股三头肌在支撑腿和摆动腿交替时起到重要作用。助行器数据表明，宽度过大可能导致股三头肌过度激活，不利于长期使用。

（4）胫骨前肌。如图7（d）所示，胫骨前肌RMS值在阶段3达到峰值，阶段4和阶段5逐渐降低。在阶段2中，W60助行器的RMS值最高，在阶段3中，H-25助行器在这一阶段的RMS值最高。在阶段4中，RMS值差异不明显，在阶段5中，H50助行器在这一阶段的RMS值最高。胫骨前肌在抬脚时保持足部的背屈。宽度过大的设计可能导致其代偿性激活增加，而较低的高度设计可能不足以提供稳定性。

（5）腓肠肌。如图7（e）所示，腓肠肌的RMS值随阶段逐渐下降，阶段4最低。宽度对腓肠肌的影响较大，在阶段2中，W60助行器的RMS值最高，在阶段3中，RMS差异不明显。在阶段4中，W60助行器在这一阶段的RMS值最高，在阶段5中，H-50助行器在这一阶段的RMS值最高。腓肠肌在推动阶段（阶段2和阶段3）应表现出较高激活水平。宽度过大的助行器设计可能会引发腓肠肌的过度激活，增加疲劳感。

H系列的高度调整对肌肉激活影响较大，H50的设计显著增加了比目鱼肌和股四头肌的激活，而H-25则降低了胫骨前肌和股三头肌的激活。W系列的宽度调整对腓肠肌和股三头肌影响更大，W80的激活水平普遍偏高，可能增加肌肉负担。助行器能提供额外支撑，降低身体平衡需求，尤其是H0W50和H50设计可显著增强步态稳定性。但过高或过宽的设计可能导致某些肌肉过度激活，例如W80导致腓肠肌和股三头肌激活显著增加，长期使用可能引发肌肉疲劳。正常行走中，肌肉激活模式更均衡，助行器则改变了步态中的支撑和推动模式。部分设计可能过度依赖某些肌肉，降低运动效率。

综合考虑肌肉激活的均衡性和使用舒适度，H0W50和H50的设计表现最优。H0W50提供基础稳定性，对肌肉激活的调整较为均衡。H50适合需要更大支撑力度的用户，激活水平稍高但在可接受范围内。建议避免使用W80或H-25设计，因其激活水平过高或不足。

如图8所示，不同轮式助行模式下RMS变化分析如下。

（1）比目鱼肌。如图8（a）所示，在阶段3，所有助行器的RMS值均有所下降，表明助行器在这两个阶段对比目鱼肌的激活程度有所降低。在阶段2中，比目鱼肌的激活程度普遍较高，因为它参与了脚部的离地动作。根据图8（a）数据，H50助行器的RMS值最高，相反，H0W50助行器的RMS值最低，表明其对比目鱼肌的激活程度最低，可能是因为其高度适中，减少了对小腿肌肉的依赖。在阶段3中，比目鱼肌的激活程度有所下降，因为这个阶段主要是支撑和稳定。如图8（a）所示，W40助行器在这一阶段的RMS值最高。在阶段4中，比目鱼肌的激活程度再次升高，因为这个阶段涉及左脚的离地动作。H0W50助行器在这一阶段的RMS值最高，这与阶段2的情况相似，可能是因为H0W50助行器的高度设计导致了更多的小腿肌肉参与。在阶段5中，比目鱼肌的激活程度有所下降，因为这个阶段主要是支撑和稳定。如图8（a）所示，W70助行器在这一阶段的RMS值最高，这可能是因为W70助行器的高度设计需要老年人在行走时更多地利用小腿肌肉来维持稳定。

（2）股四头肌。如图8（b）所示，在阶段2中，股四头肌的激活程度较高，因为它参与了膝关节的伸展动作。H25助行器在这一阶段的RMS值最高，表明其对股四头肌的激活程度最高，可能是因为其高度设计使得老年人在行走时需要更多的大腿肌肉参与来完成膝关节的伸展动作。在阶段3中，股四头肌的激活程度有所下降，因为这个阶段主要是支撑和稳定。H0W50助行器在这一阶段的RMS值最高，表明其对股四头肌的激活程度最高，这可能是因为H0W50助行器的高度设计需要老年人在行走时更多地利用大腿肌肉来维持稳定。在阶段4中，股四头肌的激活程度再次升高，因为这个阶段涉及到左脚的离地动作。H-25助行器在这一阶段的RMS值最高，表明其对股四头肌的激活程度最高，这与阶段2的情况相似。在阶段5中，股四头肌的激活程度有所下降，因为这个阶段主要是支撑和稳定。H0W50助行器在这一阶段的RMS值最高，表明其对股四头肌的激活程度最高。

（3）股三头肌。如图8（c）所示，在阶段2中，股三头肌的激活程度较高，因为它参与了膝关节的伸展动作。W80助行器在这一阶段的RMS值最高，表明其对股三头肌的激活程度最高。在阶段3中，股三头肌的激活程度有所下降，因为这个阶段主要是支撑和稳定。H0W50助行器在这一阶段的RMS值最高，表明其对股三头肌的激活程度最高。在阶段4中，股三头肌的激活程度再次升高，因为这个阶段涉及到左脚的离地动作。H-25助行器在这一阶段的RMS值最高，表明其对股三头肌的激活程度最高。在阶段5中，股三头肌的激活程度有所下降，因为这个阶段主要是支撑和稳定。W80助行器在这一阶段的RMS值最高，表明其对股三头肌的激活程度最高。

（4）胫骨前肌。如图8（d）所示，在阶段2中，胫骨前肌的激活程度较高，因为它参与了脚部的离地动作。H25助行器在这一阶段的RMS值最高，表明其对胫骨前肌的激活程度最高。在阶段3中，胫骨前肌的激活程度有所下降，因为这个阶段主要是支撑和稳定。H25助行器在这一阶段的RMS值最高，表明其对胫骨前肌的激活程度最高。在阶段4中，胫骨前肌的激活程度再次升高，因为这个阶段涉及到左脚的离地动作。W70助行器在这一阶段的RMS值最高，表明其对胫骨前肌的激活程度最高。在阶段5中，胫骨前肌的激活程度有所下降，因为这个阶段主要是支撑和稳定。H50助行器在这一阶段的RMS值最高，表明其对胫骨前肌的激活程度最高。

（5）腓肠肌。如图8（e）所示，在阶段2中，腓肠肌的激活程度较高，因为它参与了脚部的离地动作。H0W50助行器在阶段2的RMS值最高，表明其对腓肠肌的激活程度最高。在阶段3中，腓肠肌的激活程度有所下降，因为这个阶段主要是支撑和稳定。H-25助行器在这一阶段的RMS值最高，表明其对腓肠肌的激活程度最高。在阶段4中，腓肠肌的激活程度再次升高，因为这个阶段涉及左脚的离地动作。H-25助行器在这一阶段的RMS值最高，表明其对腓肠肌的激活程度最高。在阶段5中，腓肠肌的激活程度有所下降，因为这个阶段主要是支撑和稳定。W80助行器在这一阶段的RMS值最高，表明其对腓肠肌的激活程度最高。

在所有阶段中，H0W50和W80的RMS值普遍较高，这可能意味着这些助行器需要更多的肌肉激活来维持行走的稳定性。在阶段3中，W系列助行器的RMS值普遍较低，这可能表明宽度的调整对肌肉激活的影响较小。最高RMS值通常出现在H0W50和W80的助行器中，尤其是在阶段2和阶段4。最低RMS值通常出现在W系列助行器中，尤其是在阶段3。某些肌肉群的过度激活或不足激活，这可能会增加肌肉疲劳和损伤的风险。

根据上述分析，最佳的老年助行器应该是能够在提供稳定性和安全性的同时，最小化对肌肉激活的不良影响。考虑到W系列助行器在阶段3中显示出较低的RMS值，这可能意味着宽度的调整对肌肉激活的影响较小。然而，H系列助行器在阶段2和阶段4中的高RMS值可能表明高度的调整对肌肉激活有显著影响。综合考虑，H0W50作为基础助行器，可能在肌肉激活方面提供了一个较为平衡的选择。它没有显示出极端的RMS值，这可能意味着它在支持行走的同时，对肌肉激活的影响较小。

如图9所示，不同框式助行模式下iEMG变化分析如下。

（1）比目鱼肌。如图9（a）所示，在阶段2中，H25助行器的iEMG值最高。相反，H-25助行器的iEMG最低，表明其对比目鱼肌的激活程度最低，其高度适中，减少了对小腿肌肉的依赖。在阶段3中，比目鱼肌的iEMG有所上升，因为这个阶段主要是支撑和稳定。W40助行器在这一阶段的iEMG最高，表明其对比目鱼肌的激活程度最高。在阶段4中，比目鱼肌的的iEMG差异不大。在阶段5中，比目鱼肌的iEMG有所下降，因为这个阶段主要是支撑和稳定。

（2）股四头肌。如图9（b）所示，在阶段2中，股四头肌的iEMG差异不大。在阶段3中，股四头肌的iEMG有所上升，因为这个阶段主要是支撑和稳定。W40助行器在这一阶段的iEMG最高，表明其对股四头肌的激活程度最高。在阶段4中，这一阶段的iEMG差异不大，这与阶段2的情况相似。在阶段5中，股四头肌的iEMG有所下降。

（3）股三头肌。如图9（c）所示，在阶段2中，股三头肌的iEMG较低，这一阶段的iEMG差异不大，表明其对股三头肌的激活程度最低。在阶段3中，股三头肌的iEMG有所上升，H0W50助行器在这一阶段的iEMG最高，表明其对股三头肌的激活程度最高。在阶段4中，iEMG有所减小且差异不大，在阶段5中，股三头肌的iEMG再次下降，W80助行器在这一阶段的iEMG最高，表明其对股三头肌的激活程度最高。

（4）胫骨前肌。如图9（d）所示，在阶段2中，胫骨前肌的iEMG较低，这一阶段的iEMG差异不大，表明其对胫骨前肌的激活程度最低。在阶段3中，胫骨前肌的iEMG有所上升，W40助行器在这一阶段的iEMG最高，表明其对胫骨前肌的激活程度最高。在阶段4中iEMG有所减小且差异不大，在阶段5中，胫骨前肌的iEMG再次下降。

（5）腓肠肌。如图9（e）所示，在阶段2中，腓肠肌的iEMG较低，这一阶段的iEMG差异不大，表明其对腓肠肌的激活程度最低。在阶段3中，腓肠肌的iEMG值有所上升，W40助行器在这一阶段的iEMG值最高，表明其对腓肠肌的激活程度最高。在阶段4中iEMG值有所减小且差异不大，在阶段5中，腓肠肌的iEMG再次下降，H-50助行器在这一阶段的iEMG最高，表明其对腓肠肌的激活程度最高。

通过对不同助行器在步态周期中各阶段的iEMG的分析，可以得出较高的助行器（如H5）在步态周期的推进阶段（阶段2和阶段4）通常导致更高的iEMG，表明这些阶段肌肉的激活程度更高。这可能是因为较高的助行器需要更多的肌肉力量来完成推进动作。宽度的变化（如W系列）对iEMG的影响不如高度明显，但宽度较大的助行器可能在步态周期的支撑阶段（阶段3和阶段5）提供更好的稳定性，从而可能降低某些肌肉的激活程度。在步态周期的不同阶段，肌肉的激活程度有显著差异。推进阶段（阶段2和阶段4）通常需要更多的肌肉力量，而支撑阶段（阶段3和阶段5）则需要更多的肌肉稳定性。

助行器的设计应综合考虑高度和宽度，以平衡肌肉的激活程度和行走的稳定性。过高的助行器可能导致某些肌肉群的过度激活，而过低的助行器可能无法提供足够的支撑。不同老年人的肌肉力量和步态模式可能不同，因此在选择助行器时，应考虑个体差异，以确保助行器既能提供足够的支撑，又不会导致肌肉过度疲劳。综合考虑，H0W50作为基础助行器，可能在肌肉激活方面提供了一个较为平衡的选择。它没有显示出极端的iEMG值，这可能意味着它在支持行走的同时，对肌肉激活的影响较小。然而，这只是一个初步的评估，实际的最佳选择可能需要根据个体的具体情况和需求来确定。

如图10所示，不同轮式助行模式下iEMG变化分析如下。

（1）比目鱼肌。如图10（a）所示，比目鱼肌在阶段2中iEMG值最高。其对比目鱼肌的激活程度最高，H50的iEMG最高。在阶段3中，比目鱼肌的iEMG值有所下降，这一阶段的iEMG差异不大。在阶段4中H0W50的iEMG最大，在阶段5中，H-25的iEMG值最大。

（2）股四头肌。如图10（b）所示，在阶段2到阶段5中iEMG普遍较低且差异不大。阶段2的iEMG最大，阶段3的iEMG有所下降且差异最小。

（3）股三头肌。如图10（c）所示，在阶段2中，股三头肌的iEMG较低，W80的iEMG最大。在阶段3中，股三头肌的iEMG值有所下降且差异不大。在阶段4中iEMG最大，H-25的iEMG最大，在阶段5中，股三头肌的iEMG再次下降，W80助行器在这一阶段的iEMG最高，表明其对股三头肌的激活程度最高。

（4）胫骨前肌。如图10（d）所示，在阶段2中，胫骨前肌的iEMG较低，这一阶段的iEMG差异不大，H25助行器在这一阶段的iEMG最高。在阶段3中，胫骨前肌的iEMG有所下降。在阶段4中的iEMG有所增大，差异较大，W70在此阶段的iEMG最大。在阶段5中，胫骨前肌的iEMG再次下降且差异较小。

（5）腓肠肌。如图10（e）所示，在阶段2中，腓肠肌的iEMG较大，H0W50助行器在这一阶段的iEMG最高，这一阶段的iEMG差异不大。在阶段3中，腓肠肌的iEMG最低。在阶段4中iEMG有所提高但差异不大，在阶段5中，腓肠肌的iEMG再次下降但幅度有所减小，H0W50助行器在这一阶段的iEMG最高，表明其对腓肠肌的激活程度最高。

综合考虑，H0W50作为基础助行器，可能在肌肉激活方面提供了一个较为平衡的选择。然而，实际的最佳选择可能需要根据个体的具体情况和需求来确定。

2.3 讨论

2.3.1 助行模式对步态稳定性的影响

正常步态下，步频和步行速度较为稳定，分别为110步/min和1.20 m/s。但使用框式助行器后，步频和速度显著下降，H-50框式助行器下，步频和步行速度均减少，这表明助行器限制了步伐的加速与流畅性。步幅也有所缩短，尤其是H0W50设置下，步幅减少最为显著，步幅时间增加，反映了助行器提高了支撑稳定性，但减少了灵活性。步态对称性受影响，左右脚步频与步幅差异增大，步态的不对称性明显。

在关节行为方面，轮式助行器对步态流畅性和关节行为有较好影响。髋关节的屈曲幅度与正常步态接近，尤其是W70在步行速度上具有优势。膝关节的屈曲与伸展幅度也接近正常步态，表明这些助行器能较好地保持膝关节灵活性。踝关节的活动范围灵活，尤其是W70提供了较高的推进力，使得步伐更加自然。综合来看，W系列设计提供了良好的稳定性并促进了自然步态，适合关节灵活性较好的老年人。

在步态稳定性方面，H25轮式助行器表现最佳，显示出最好的步态稳定性。H-25和H50框式及轮式也表现出较好的稳定性。相比之下，H0W50和W70的稳定性较差。总体来看，轮式助行器在多数情况下提供了较好的稳定性，尤其是H25在两种类型的助行器中均表现最优。

2.3.2 助行模式对肌肉激活度的影响

不同助行器的设计会显著影响步态周期中各肌肉群的激活程度，尤其是比目鱼肌、股四头肌、股三头肌、胫骨前肌和腓肠肌的肌电活动。在RMS分析中，高度调整（H系列）对肌肉激活的影响较大，尤其在阶段2和阶段4，较高的助行器设计通常需要更多的肌肉力量来完成推进动作。相较而言，宽度调整（W系列）对肌肉激活的影响较小，但在某些阶段，如股三头肌和腓肠肌，宽度较大的设计可能导致过度激活，增加疲劳感。iEMG分析显示，H25和W40助行器对比目鱼肌和股四头肌的激活影响较为显著，尤其在阶段2和阶段3，而较高的助行器则在推进阶段需要更多的肌肉激活。综合来看，H0W50助行器在提供基础稳定性和支撑的同时，能够平衡肌肉激活的需求，因此被认为是较为理想的选择。它没有显示出极端的RMS和iEMG，意味着它能有效避免过度激活某些肌肉，适合需要平衡支撑与舒适度的用户。总的来说，助行器的设计应综合考虑高度和宽度的调整，以确保既能提供足够的支撑，又能减少肌肉的过度疲劳和损伤风险。

3 结论

（1）基于逆向动力学分析与多通道表面肌电同步采集技术，构建步态周期内关节力矩协方差矩阵，定量评估助行模式对步态稳定性和神经肌肉控制的影响。实验采用多模态数据同步采集方案，获取了动态步态运动学数据及不同助行模式下表面肌电信号数据。实验结果表明，在助行模式对步态稳定性影响方面，框式助行器在延长支撑时间提升步态稳定性的同时，牺牲了步态灵活性与自然性；而轮式助行器通过优化踝关节动力学实现稳定性与自然步态的协同。在对肌肉激活度影响方面，助行器高度调整显著影响肌肉激活模式，而宽度设计主要影响特定肌群；H0W50配置通过平衡高度与宽度参数，在维持基础支撑的同时将关键肌群激活度控制在生理阈值内，证实多参数协同优化是减少肌肉代偿性疲劳的关键策略。

（2）通过步态稳定性指数与肌肉激活度的联合分析，揭示了助行模式参数化调控中的非线性矛盾：H25轮式助行器虽能提升步态稳定性，但其较窄的宽度设计导致胫骨前肌iEMG值增加，表明存在踝背屈代偿；而W70轮式助行器虽改善步态流畅性，却因稳定性评分升高增加跌倒风险。因此，在选择助行器时，应根据个体的步态需求与肌肉活动状况，综合考虑高度与宽度的调整，以确保提供足够的支持并减少肌肉疲劳的风险。在步态支撑早期采用较高助行器以降低膝关节屈曲力矩，而在推进期通过宽度自适应调节优化腓肠肌激活同步性。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Bateni H, Maki B E. Assistive devices for balance and mobility: benefits, demands, and adverse consequences[J]. Archives of Physical Medicine and Rehabilitation, 2005, 86(1): 134-145.

[2]	Kachanathu S, Hafez A, Zakaria A. Effect of early elbow crutch mobility on patients with post-anterior cruciate ligament repair[J]. Indian Journal of Medical Sciences, 2011, 65(11): 461.

[3]	Sonntag D, Uhlenbrock D, Bardeleben A, et al. Gait with and without forearm crutches in patients with total hip arthroplasty[J]. International Journal of Rehabilitation Research, 2000, 23(1): 233-243.

[4]	Murawa M, Dworak L B, Kabaciński J, et al. Dynamic parameters of three-point crutch gait in female patients after total hip arthroplasty[J]. Acta of Bioengineering and Biomechanics, 2016, 18(2): 131.

[5]	Fang M A, Heiney C, Yentes J M, et al. Effects of contralateral versus ipsilateral cane use on gait in people with knee osteoarthritis[J]. PM & R: the Journal of Injury, Function, and Rehabilitation, 2015, 7(4): 400-406.

[6]	Hu R, Chen X, Cao S, et al. Investigation on the contributions of different muscles to the generated force based on HD-sEMG and DBN[C]// IEEE Conference on Engineering in Medicine and Biology Society. New York: IEEE, 2019: 2645-2648.

[7]	Bueno D R, Montano L. An optimized model for estimation of muscle contribution and human joint torques from sEMG information[C]// IEEE Conference on Engineering in Medicine and Biology Society. New York: IEEE, 2012: 3364-3367.

[8]	狄文乾. 基于步态周期下健康男性跑步动作的下肢表面肌电特征分析[D]. 烟台: 鲁东大学, 2023.

[9]	Di Wenqian. Analysis of lower extremity surface electromyography characteristics of healthy male runners based on gait cycle[D]. Yantai: Ludong University, 2023.

[10]	李萍, 朱学强, 李秀红, 等. 运动损伤预防训练对短跑运动员下肢生物力学和共激活特征的影响[J]. 中国体育科技, 2021, 57(11): 30-37.

[11]	Li Ping, Zhu Xueqiang, Li Xiuhong, et al. Effects of sports injury prevention training on biomechanics and co-activation characteristics of sprinters’ lower limbs[J]. China Sport Science and Technology, 2021, 57(11): 30-37.

[12]	陈晟辉. 基于步态特征的下肢助行器结构设计及仿真分析[D]. 沈阳: 东北大学, 2022.

[13]	Chen Shenghui. Structural design and simulation of lower limb walker based on gait characteristics[D]. Shenyang: Northeastern University, 2022.

[14]	Yao M, Ren Y, Jia L, et al. Projected burden of stroke in China through 2050[J]. Chinese Medical Journal, 2023, 136(13): 1598-1605.

[15]	王伟, 丁建全, 汪毅, 等. 踝关节外骨骼助行模式对下肢肌肉激活与协调模式的影响[J]. 生物医学工程学杂志, 2022, 39(1): 75-91.

[16]	Wang Wei, Ding Jianquan, Wang Yi, et al. The effect of ankle exoskeleton assisted walking mode on lower limb muscle activation and coordination mode[J]. Journal of Biomedical Engineering, 2022, 39(1): 75-91.

[17]	Aagaard P, Simonsen E B, Andersen J L, et al. Antagonist muscle coactivation during isokinetic knee extension[J]. Scandinavian Journal of Medicine & Science in Sports, 2000, 10(2): 58-67.

[18]	Krishnan C, Williams G N. Sex differences in quadriceps & hamstrings EMG-moment relationships[J]. Medicine and Science in Sports and Exercise, 2009, 41(8): 1652.

[19]	Johnson M. Evaluation of muscle activity using iEMG in patients post-knee surgery with different walking aids[J]. Physical Medicine and Rehabilitation, 2020, 12(3): 123-130.

[20]	方武. 基于表面肌电与步态信号的下肢肌肉疲劳性分析[D]. 杭州: 杭州电子科技大学, 2023.

[21]	Fang Wu. Fatigue analysis of lower extremity muscle based on surface electromyography and gait signal[D]. Hangzhou: Hangzhou Dianzi University, 2023.

[22]	钱一嘉. 基于表面肌电信号的下肢康复外骨骼步态控制研究[D]. 杭州: 浙江科技大学, 2024.

[23]	Qian Yijia. Research on gait control of lower limb rehabilitation exoskeleton based on surface electromyography signals[D]. Hangzhou: Zhejiang University of Science and Technology, 2024.

[24]	Chen X, Pang A, Yang W, et al. Sportscap: monocular 3D human motion capture and fine-grained understanding in challenging sports videos[J]. International Journal of Computer Vision, 2021, 129: 2846-2864.

[25]	van der Kruk E, Reijne M M. Accuracy of human motion capture systems for sport applications; state-of-the-art review[J]. European Journal of Sport Science, 2018, 18(6): 806-819.

[26]	Moeslund T B, Granum E. A survey of computer vision-based human motion capture[J]. Computer Vision and Image Understanding, 2001, 81(3): 231-268.

[27]	Ligorio G, Sabatini A M. Dealing with magnetic disturbances in human motion capture: a survey of techniques[J]. Micromachines, 2016, 7(3): 43.

[28]	Moeslund T B, Hilton A, Krüger V. A survey of advances in vision-based human motion capture and analysis[J]. Computer Vision and Image Understanding, 2006, 104(2/3): 90-126.

[29]	贾谊. 人体运动学参数采集与测量方法[M]. 北京: 科学技术文献出版社, 2017.

[30]	Jia Yi. Methods for collecting and measuring human kinematic parameters[M]. Beijing: Scientific and Technical Documentation Press, 2017.

[31]	Mcquade K J, Finley M, OliveiraA S. Upper extremity joint stresses during walker assisted ambulation in post-surgical patients[J]. Brazilian Journal of Physical Therapy, 2011, 15: 332-337.

[32]	Altenburg T M, de Haan A, Verdijk P W L, et al. Vastus lateralis single motor unit EMG at the same absolute torque production at different knee angles[J]. Journal of Applied Physiology, 2009, 107(1): 80-89.

[33]	Yin X. CMMNO).Study on gait stability of gait with limitation of dorsiflexion based on wavelet transform[C]// 7th International Conference on Condition Monitoring of Machinery in Non-Stationary Operations ( New York: IEEE, 2021: 10-14.

[34]	Biswas A. Dynamic gait stability index using a fuzzy logic model[M]. Ottawa: University of Ottawa, 2007.

[35]	Biswas A, Lemaire E D, Kofman J. Dynamic gait stability index based on plantar pressures and fuzzy logic[J]. Journal of Biomechanics, 2008, 41(7): 1574-1581.

[36]	Iwasaki T, Okamoto S, Akiyama Y, et al. Kinematic gait stability index highly correlated with the margin of stability: concept and interim report[C]// IEEE/SICE International Symposium on System Integration (SII). New York: IEEE, 2021: 347-350.

[37]	Osoba M Y, Rao A K, Agrawal S K, et al. Balance and gait in the elderly: a contempo-rary review[J]. Laryngoscope Investigative Otolaryngology, 2019, 4(1): 143-153.

[38]	Prakash C, Kumar R, Mittal N. Recent developments in human gait research: parameters, approaches, applications, machine learning techniques, datasets and challenges[J]. Artificial Intelligence Review, 2018, 49: 1-40.

[39]	Papagiannis G I, Triantafyllou A I, Roumpelakis I M, et al. Methodology of surface elec-tromyography in gait analysis: review of the literature[J]. Journal of Medical Engineering & Technology, 2019, 43(1): 59-65.

[40]	Kim J J, Cho H, Park Y, et al. Biomechanical influences ofgait patterns on knee joint: kinematic & EMG analysis[J]. PLoS One, 2020, 15(5): e0233593.

[41]	Alkner B A, Tesch P A, Berg H E. Quadriceps EMG/force relationship in knee extension and leg press[J]. Medicine & Science in Sports & Exercise, 2000, 32(2): 459.

[42]	Saito A, Akima H. Knee joint angle affects EMG-force relationship in the vastus inter-medius muscle[J]. Journal of Electromyography and Kinesiology, 2013, 23(6): 1406-1412.

[43]	Wang W, Stefano A D, Allen R. A simulation model of the surface EMG signal for analysis of muscle activity during the gait cycle[J]. Computers in Biology and Medicine, 2006, 36(6): 601-618.

[44]	Khanmohammadi R, Talebian S, Hadian M R, et al. Characteristic muscle activity patterns during gait initiation in the healthy younger and older adults[J]. Gait & Posture, 2016, 43: 148-153.

[45]	Strazza A, Mengarelli A, Fioretti S, et al. Surface-EMG analysis for the quantification of thigh muscle dynamic co-contractions during normal gait[J]. Gait & Posture, 2017, 51: 228-233.

[46]	Lo J, Lo O Y, Olson E A, et al. Functional implications of muscle co-contraction during gait in advanced age[J]. Gait & Posture, 2017, 53: 110-114.

[47]	Tao W, Zhang X, Chen X, et al. Multi-scale complexity analysis of muscle coactivation during gait in children with cerebral palsy[J]. Frontiers in Human Neuroscience, 2015, 9: 367.

[48]	Eken M M, Brændvik S M, Bardal E M, et al. Lower limb muscle fatigue during walking in children with cerebral palsy[J]. Developmental Medicine & Child Neurology, 2019, 61(2): 212-218.

[49]	Shirakawa T, Sugiyama N, Sato H, et al. Gait analysis and machine learning classification on healthy subjects in normal walking[J]. International Journal of Parallel, Emergent and Distributed Systems, 2017, 32(2): 185-194.

[50]	Schloemer S A, Thompson J A, Silder A, et al. Age-related differences in gait kinematics, kinetics, and muscle function: a principal component analysis[J]. Annals of Biomedical Engineering, 2017, 45: 695-710.