助行器对下肢生物力学特征影响综述

陈炜; 官志鹏; 季润; 杨洁萌

doi:10.12404/j.issn.1671-1815.2505412

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (19) :8074-8084 DOI: 10.12404/j.issn.1671-1815.2505412

医药、卫生

助行器对下肢生物力学特征影响综述

陈炜 ¹^,² ,
官志鹏 ¹^,² ,
季润 ³^,^* ,
杨洁萌 ³

作者信息 +

Review of Effects of Mobility Aids’ on Lower Limb Biomechanical Characteristics

CHEN Wei ¹^,² ,
GUAN Zhi-peng ¹^,² ,
JI Run ³^,^* ,
YANG Jie-meng ³

Author information +

文章历史 +

摘要

随着全球人口老龄化进程加速,改善老年及行动受限人群移动功能的助行器,其生物力学适配机制日益受到关注。系统综述了助行模式对下肢生物力学特征的影响,聚焦关节运动学、动力学及肌肉共激活3个维度。研究表明,助行器通过扩展支撑基底面积可显著提升静态稳定性(支撑面积增加1.5~2.3倍,重心偏移量降低38.2%),但可能导致动态协调能力下降(如双侧关节负荷不对称性达68%)。在关节运动学层面,尚未明确助行器参数(高度/宽度/类型)与髋、膝、踝关节活动范围的适配关系;动力学分析显示,优化设计可降低关节力矩(如踝关节能耗降低45%~52%),但缺乏个体化损伤预警体系。肌肉激活方面,表面肌电(surface electromyography, sEMG)研究表明,助行器虽能降低肌肉激活强度(减少7.5%~10.2%),却可能引发异常肌肉代偿策略。当前研究存在三方面局限:①关节运动学动态适配机制缺失;②关节力矩优化与功率消耗的协同关系未明;③步态稳定性提升与肌肉协同效率的矛盾尚未解决。基于这些挑战,未来研究需构建融合多参数的个性化适配模型,以实现生物力学效益的最大化。

Abstract

With the accelerating global aging population, growing attention has been paid to the biomechanical adaptation mechanisms of mobility aids designed to improve the movement function of elderly and mobility-impaired individuals. The effects of ambulatory assistance modes on lower limb biomechanics was investigated, with a focus on three dimensions: joint kinematics, dynamics, and muscle co-activation. It was demonstrated that mobility aids significantly enhance static stability by expanding the base of support, with a 1.5~2.3 fold increase in support area and a 38.2% reduction in center-of-mass displacement. However, they may impair dynamic coordination, as evidenced by a 68% asymmetry in bilateral joint loading. Regarding joint kinematics, the adaptive relationships between aid parameters (height/width/type) and the ranges of motion of the hip, knee, and ankle joints remain unclear. Kinetic analyses have revealed that optimized designs can reduce joint moments, such as a 45%~52% decrease in ankle energy consumption, but personalized injury risk prediction systems are lacking. Surface electromyography (sEMG) evidence indicates that while mobility aids reduce muscle activation intensity with a 7.5%~10.2% decrease in integrated electromyography, they may induce abnormal muscle compensation strategies. Three key limitations have been identified in current research.The absence of dynamic kinematic adaptation mechanisms.An unclear synergy between joint moment optimization and energy expenditure.The unresolved contradiction between gait stability enhancement and muscle efficiency. To address these challenges, personalized adaptation models integrating multi-parameter fusion need to be developed to maximize biomechanical benefits.

Graphical abstract

关键词

助行器 / 生物力学 / 关节运动学 / 肌肉激活 / 步态稳定性

Key words

mobility aids / biomechanics / joint kinematics / muscle activation / gait stability

引用本文

引用格式 ▾

陈炜, 官志鹏, 季润, 杨洁萌. 助行器对下肢生物力学特征影响综述[J]. 科学技术与工程, 2026, 26(19): 8074-8084 DOI:10.12404/j.issn.1671-1815.2505412

CHEN Wei, GUAN Zhi-peng, JI Run, YANG Jie-meng. Review of Effects of Mobility Aids’ on Lower Limb Biomechanical Characteristics[J]. Science Technology and Engineering, 2026, 26(19): 8074-8084 DOI:10.12404/j.issn.1671-1815.2505412

登录浏览全文

4963

注册一个新账户忘记密码

随着全球人口老龄化进程持续加速,改善老年人及行动受限人群的行动能力已成为公共卫生领域关注的焦点。根据联合国《2023年世界社会报告》,65岁及以上老年人口比例将在21世纪中期达到16%^[1]。老年人口规模庞大,由衰老导致的骨骼肌流失、神经反应速度下降及平衡能力衰退,使得跌倒位居65岁以上老年人伤害致死原因的首位^[2]。在此背景下,助行器作为补偿移动功能、维持生活自理、预防跌倒风险的核心干预手段,其临床价值与社会意义日益凸显^[3]。

助行器通过为上肢或躯干提供外部支撑,重塑人体与环境动态交互机制,从而对使用者的生物力学特性产生多维度影响。其适配程度将直接决定了使用的有效性与安全性。从生物力学视角来看,理想的助行器应在提升静态稳定性的同时,还能优化动态协调性、关节负荷及肌肉激活模式。文献[1,4]表明,助行器可通过扩大支撑基底面积,进而显著提升静态稳定性(如支撑面积扩大1.5~2.3倍,重心偏移量会降低38.2%),但会导致动态协调能力下降,如双侧关节负荷不对称性高达68%。在关节运动学方面,仍尚未明确助行器参数(高度/宽度/类型)与髋、膝、踝关节活动范围的动态适配关系^[5];在动力学分析上,优化助行器设计可显著降低关节力矩(如踝关节能耗降低45%~52%^[6]),但对于个体化的损伤预警体系研究还处于空白;在肌肉激活方面,表面肌电研究表明,助行器虽能降低肌肉激活强度(可减少7.5%~10.2%),却会诱发异常肌肉代偿策略,影响运动协调效能^[7-8]。

当前,软体机器人拐杖、自适应外骨骼等新产品的出现^[9-10],推动了助行器在功能性、安全性与舒适性上的长足发展。然而,核心的生物力学适配机制的研究仍存在显著盲区。首先,关节运动学的动态适配机制缺失,导致步态流畅性与稳定性的协同优化困难;其次,关节力矩优化与功率消耗的协同关系尚未明确,导致构建个性化的损伤预警系统变得困难^[11];最后,步态稳定性提升与肌肉协同效率之间的非线性矛盾,目前还未有合适的解决路径^[11]。这些问题严重制约了助行器生物力学效益的最大化,使其难以满足不同功能层次人群的个性化需求。

因此,现系统梳理各类助行器对下肢生物力学特征的影响,聚焦于关节运动学、动力学及肌肉共激活3个核心维度。通过深入分析当前研究的进展与局限,并探讨多学科交叉背景下的未来研究方向,以期为提升老年及行动受限人群的行走质量与生活自理能力提供理论依据与实践指导。

1 助行器研究现状

下面针对助行器与下肢关节运动学、关节力矩生物力学优化适配机制,基于助行器的步态动态稳定性多维评估系统以及助行器下肌肉协同激活机制与疲劳缓解目标等问题进行现状概述与分析。

1.1 助行器与下肢运动学适配机制

助行器是一种用于支撑身体平衡、辅助行走的康复辅助器具,旨在为行动不便人群提供支持,从而提高其安全性和独立性。助行器通常由金属或其他坚固材料制成,配备4个支撑脚,能够有效减轻使用者身体负担、提高步行稳定性并降低摔倒风险。此外,助行器也叫步态助行器,适用于老年人、恢复期病人,以及因病、伤而需要辅助行走的人群。

如今,常见的助行器根据操作方式和结构设计可划分为单臂操作助行器和双臂操作助行器两类。单臂操作助行器可通过单臂或双臂操作,既可单独使用也可成对使用,包括手杖、肘拐、四脚肘拐、前臂支撑拐、腋拐、三脚或多脚手杖、带座手杖和单侧助行架等。双臂操作助行器需通过双臂或结合上身操作使用,包括框式助行器、轮式助行器、座式助行器和台式助行器。如图1所示为常见的单臂操作助行器和双臂操作助行器。

在单臂操作助行器中,手杖是最简单的助行器,易于携带和使用,但其提供的支撑力有限,适用于平衡能力较好但需要轻微支撑的个体。相比之下,肘拐和四脚肘拐提供了更大的支撑面积,适合需要更高稳定性的用户,但可能会降低使用者的灵活性。前臂支撑拐适用于上肢力量较弱的用户,能够有效减轻手腕和肩膀的负担,但由于需要一定的上肢力量来控制,可能不适合长时间使用。腋拐提供高度的稳定性,适用于需要大量支撑的用户,但长期使用可能会对腋下神经造成压迫,导致不适。多脚手杖和带座手杖则结合了手杖和椅子的功能,适用于需要频繁休息的用户,但其重量和体积的增加可能会影响携带和存放的便利性。单侧助行架适用于单侧肢体功能障碍的用户,能够提供针对性的支撑,但需要用户具备一定的协调能力以进行操作。

在双臂操作助行器中,框式助行器结构简单且稳定性高,适合室内使用,但在室外环境中可能缺乏灵活性。相比之下,轮式助行器具有更好的移动性,适合室内外场景,但需要用户掌握一定的操作技巧以控制方向。座式助行器结合了椅子和助行器的功能,适用于需要频繁休息或长时间坐立的用户,但其结构会限制用户的活动范围。台式助行器则适用于需要在特定高度(如厨房或工作台)进行活动的个体,但对于需要频繁移动的用户可能不够便利。

总体而言,不同类型的助行器适用于不同的适用场景和用户群体,选择合适的助行器需要综合考虑用户的具体情况,包括行动能力、使用环境和个人偏好。在康复领域中,动力助行器、功能性电刺激助行器和无动力助行器均具有各自的适用范围。无动力助行器因其结构简单、价格低廉并具有较好的康复辅助能力在市场中应用最为广泛。特别是双臂操作的无动力助行器,其4个支脚提供了稳定的支撑结构,因此在老年人群中得到了广泛的引用。通过合理选择和使用助行器,能够显著提高行动不便个体的生活质量和独立性。然而,由于助行器参数(高度/宽度/类型)与下肢关节运动特征之间的关联性缺乏系统性量化分析,助行器与使用者之间的适配机制仍缺乏理论依据。

近年来,学者针对助行器与人体运动学的适配机制开展了大量研究。Wu等^[9]设计了一种由气动驱动拐杖、充气背心和深度传感器构成的软体超肢机器人拐杖系统(图2),通过改进的生物力学模型与闭环控制辅助老年人完成坐立过渡,实验验证了其在减少下肢发力与降低跌倒风险方面的有效性。Ruiz-Ruiz等^[12]设计了一种由全向移动底座、高负载机器人臂和阻抗型接口构成的移动协作机器人,通过支撑手柄测量人体交互力并采用两种平衡恢复策略,为老年人或神经系统疾病患者提供站立平衡的物理支持,实验验证了其在实际应用中的有效性。紧接着,Bolli等^[13]提出了一种移动机器人臂,旨在为老年人提供随时可用的支撑(图3),该机器人由全向移动底座和可调节的手柄组成,能够根据用户的需求提供支持;通过研究分析了老年人在日常活动中的姿势变化,确定了需要最大肌肉努力的身体姿势,并据此优化了手柄的位置,最终经过实验验证了该方法的有效性。以上研究不仅展示了助行器技术的进步,也为探究助行器与下肢运动学适配机制提供了研究基础。

针对中老年人群体的步态特征,马越等^[14]通过采集60名40~59岁中老年受试者的下肢运动学与动力学数据,发现随年龄增长双足不稳定性显著增加且步态变化存在性别差异,表明为老年人群进行助行器参数适配时必须充分考虑年龄相关的步态退化特征与性别差异,否则可能导致适配偏差并增加跌倒风险。

针对助行器参数与关节运动学关联研究,Yang等^[15]应用3D运动捕捉系统VICON研究了不同配置的助行器对老年人肩关节运动的影响(图4),研究发现,使用助行器辅助行走时,老年人的步态参数和肩关节运动特征发生了显著变化,例如,使用轮式助行器时肩关节屈曲活动范围减少了79.92%,而使用足式助行器时,肩关节的屈曲、伸展和外旋运动范围分别增加了76.04%、85.55%和110.99%;这些变化可能会对老年人的肩部肌肉骨骼系统产生潜在影响,还间接揭示了其对人体肢体运动学的适配机制,具体而言,助行器参数(高度/宽度/类型)会影响人体下肢关节的运动特征。Yang等^[16]提出了一种基于视频的方法来量化髋、膝、踝关节的协调性,通过姿态估计算法从视频中提取关节位置,计算并提取屈曲角度等运动学特征,结果显示该方法能够准确评估关节流畅性,为助行器使用下的关节运动学分析提供了新的视角。

在步态识别与意图感知方面,Buongiorno等^[17]通过EUROBENCH项目的EXPERIENCE基准测试协议,对采用“混合控制”方法的下肢外骨骼“可穿戴步行器”进行了评估;研究虽然收集了心率、呼吸频率等生理信号,并完成了问卷调查,但未能深入揭示外骨骼控制系统与使用者下肢运动学特征之间的动态适配关系。Shah等^[18]利用可穿戴传感器评估了健康成人在不同地形下的下肢运动学适应性,发现斜坡行走时膝关节和髋关节的协调性和变异性显著变化,这一发现暗示了助行器在不同地形条件下可能存在的适配不足问题。

在踝关节辅助方面,Wang等^[19]提出了绳驱动踝关节外骨骼,研究表明不同助行模式显著影响了下肢肌肉激活和协调模式,但这些模式与使用者个体运动学特征之间的匹配机制仍未得到充分阐释。值得注意的是,Bryan等^[20]优化了髋膝踝外骨骼辅助装置,以减少不同行走速度下的代谢成本,发现优化后的外骨骼辅助装置能够显著降低代谢成本,同时改善髋、膝、踝关节的屈曲角度和屈曲速度,使关节屈曲角度范围更加稳定,屈曲速度的曲线更加平滑。虽然外骨骼辅助装置有效提高了关节的流畅性,但研究仍未阐明外骨骼辅助参数与个体运动学特征之间的最优匹配机制。

何育民等^[21]详细阐述了下肢外骨骼的构型和设计对其运动学和动力学特性的重要影响,通过优化外骨骼的结构设计,可以显著提高下肢的运动功能和稳定性,如图5所示。Yao等^[22]综述了步态优化(自适应轨迹规划)、轻量化(碳纤维+3D打印)、人机交互(肌电/脑电融合感知)、续航(能量回收系统)4大关键技术,给出外骨骼控制策略与传感器选型方案。李俊邑等^[23]分析了助行外骨骼机器人的关键技术,指出了优化行走步态、实现外骨骼机器人的轻量化、实现人的神经系统与外骨骼机器人之间的直接信息交互、增强续航能力是未来助行外骨骼机器人的发展趋势。王新等^[24]针对下肢穿戴式助行器进行步态规划与稳定性分析,发现所规划的步态轨迹能显著提高患者行走的稳定性和协调性,对日常行走及康复具有重要意义。

综上所述,近年来助行器领域研究已取得显著进展,但现有研究仍存在局限性:多数研究侧重功能实现,对其与下肢运动学特征的具体适配机制缺乏系统性探索^[5,25];非平整地形下的适配参数调节规则尚不明确^[18];助行器结构设计与运动学特征的耦合仿真技术尚未普及^[26-27]。这些适配机制的模糊性,使得助行模式与老年人之间的参数优化缺乏基于关节运动参数的基础依据,难以实现步态流畅性与稳定性的协同优化。

1.2 助行器对关节生物力学影响

近年来,助行器对人体关节力矩的生物力学研究取得了显著进展,尤其聚焦于助行器与关节力矩的生物力学优化方向。例如,赵闯等^[28]基于OpenSim软件搭建了人体下肢骨骼肌肉模型,以腓肠肌为对象,通过逆向运动学(inverse kinematics, IK)与残差缩减(residual reduction algorithm, RRA)分析肌肉激活度与力矩,验证了仿真建模在下肢肌肉力学分析中的有效性。该方法可以作为助行器下肢关节力矩优化研究的重要技术基础。Nguyen等^[6]利用OpenSim软件建立了一个具有11个自由度的踝关节外骨骼的肌骨模型,该模型由18个肌肉肌腱单元驱动,研究了步行时由电机驱动的踝关节外骨骼对关节力矩和能量消耗的影响(图6)。研究结果表明,单侧踝关节外骨骼可帮助健康穿戴者的踝关节能量消耗减少约45%,由电机驱动的双侧踝关节外骨骼可帮助健康穿戴者的踝关节能量消耗减少约52%,这项研究展示了外骨骼技术在辅助下肢运动中的潜力,尤其是在提高步行效率和减少能量消耗方面,为助行器关节生物力学研究提供了重要参考。Zhou等^[29]设计并评估了下肢外骨骼的扭矩补偿控制器,该外骨骼配备3个旋转自由度,重23 kg,研究发现,采用最大化辅助控制器可将膝关节扭矩减少近一半,显著降低用户的肌肉负担。同年,Gonon等^[30]开发了一种同步躯干-膝部被动外骨骼,旨在优化人体与机器人之间的能量传递,该设备通过单一气弹簧作为能量存储单元,支持坐立转换,研究结果表明,使用该外骨骼可显著减少参与肌肉群的活动量,同时优化了关节力矩的传递效率,从而提升用户的运动效率。

Brunet等^[31]对Atalante下肢外骨骼的行走康复功能进行了实验研究,通过修改控制系统,使患者在行走过程中能够贡献自身力量,研究结果显示,患者在使用该外骨骼时,步态持续时间可根据个人努力调整,且多次步态转换未发生跌倒,这一研究验证了该外骨骼在行走康复中的有效性。Fortuna等^[32]开发了名为WANDER的全向助行外骨骼机器人,配备个性化控制器,旨在为老年人和慢性病患者提供支持(图7)。该设备通过可调节的阻抗控制器,根据用户的偏好和关节生物力学特征优化参数,从而实现对下肢运动学适配以及关节力矩的优化,以适应个体需求,实验结果显示,使用WANDER后,用户的能量消耗和震动显著降低,同时步行效率和舒适度得到明显改善。

在支撑界面参数研究方面,郑义等^[33]研究了7种不同鞋底硬度对跑步时下肢运动学与动力学的影响,发现随着鞋底硬度增加,足着地时外翻和外旋程度增大,研究表明30°~40°是缓冲效果较理想的硬度区间,该研究揭示了支撑界面参数(硬度/刚度)与下肢关节运动特征之间的量化关联,为助行器足端支撑结构设计及参数优化提供了生物力学依据。张景帅等^[34]设计了下肢搬运助力外骨骼机器人,采用D-H(Denavit-Hartenberg)参数法建立了下肢运动学模型,通过ADAMS仿真验证其符合人体下肢行走特征。该研究为助行器的人-机运动学耦合建模提供了完整的技术范式,但其研究重点在于机构设计验证,未延伸至助行器参数与下肢关节力矩的动态优化适配,这也是当前研究的盲区。

侯宏平等^[35]基于FBS(function behavior structure)模型的研究表明,不同高度和宽度的助行器设计显著影响了下肢的速度和力矩参数,验证了机构设计的合理性和方案的可行性。残疾人助行器的研究发现,合理设计助行器的高度和宽度可以有效提高下肢肌力减弱者的行走能力和稳定性。丁逸苇等^[36]对可穿戴式下肢外骨骼康复机器人的研究进行了综述,分析了不同外骨骼机器人的设备特点、应用场景以及关键技术,如驱动方式、控制系统和训练模式等,研究指出,下肢外骨骼康复机器人在脊髓损伤、脑损伤等导致下肢运动障碍的患者康复中具有重要应用价值,尤其在改善步态生物力学方面;研究还显示,不同高度和宽度的外骨骼设计对脊髓损伤、脑损伤等患者的行走功能有显著影响,优化设计可以提高康复效果和行走稳定性。

综上所述,当前研究在助行器关节力矩优化方面取得了显著进展,但仍存在明显盲区:助行器参数化配置与关节力矩生物力学优化的适配机制尚不明确^[11];功率消耗尚未系统纳入下肢生物力学优化指标;针对老年人群关节退变特征的个体化损伤预警阈值缺乏统一标准^[37-38]。这些盲区限制了助行器生物力学优化的系统性与针对性。。

1.3 助行模式对步态稳定性及肌肉激活度影响

助行器作为改善老年群体及下肢功能障碍患者步态稳定性的重要辅助器具,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已成为康复工程领域的研究热点。中外研究表明,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度影响,其作用呈现“静态增益-动态损耗”的双重特性。

助行器通过扩大支撑基础、优化重心控制及改善步态参数三大机制显著提升步态稳定性。传统框架式助行器通过扩大身体支撑面积,有效降低了行走中的侧向不稳定性。研究表明,人体在行走过程中存在天然的侧向不稳定性(特别是单腿支撑期),而助行器提供的额外支撑点显著增加了步行的稳定裕度(margin of stability)^[39],当使用者在行走中遭遇外部扰动时,助行器框架能吸收相当于体重10%的侧向力,使穿戴者能通过及时调整步态参数(如步宽、步长)重新获得平衡。

助行器还改变了骨盆动力学特征。研究发现,当使用者在握住助行器框架并将手臂保持130°角时,其重心(center of mass, CoM)在额状面的摆动幅度可减少约25%,显著降低了行走中的能量消耗^[40]。如图8所示,该姿势使得上肢、助行器与躯干形成更有效的力传递链,促进身体重心在步态周期中的平滑过渡。

在步态参数改善方面,临床数据显示老年人使用步行辅助助行器后,步长平均增加8.6%[从(0.58±0.06) m增至(0.63±0.06) m],步速提高6.7%[从(1.19±0.15) m/s增至(1.27±0.13) m/s],这种步态参数的积极变化源于助行器在站立末期提供的推进辅助,强化了髋关节伸展力矩,使用者能更有效地完成体重转移和推进动作。

机器人助行器(如mTPAD)更进一步,可通过精确控制施加于骨盆的辅助力矢量方向与大小,主动引导使用者重心轨迹。研究表明,当辅助力方向与人体自然步态的生物力学需求匹配时,步态对称性提高18.7%,能量消耗降低11.6%^[40]。这类设备不仅能提供物理支撑,更能通过主动干预重塑步态模式,特别适合神经损伤患者的步态再学习。

在助行模式对肌肉激活度方面,近年来,基于表面肌电信号(surface electromyography,sEMG)的肌肉贡献率计算方法已成为评估步态过程中各肌肉作用的重要手段^[37-38]。例如,通过多通道sEMG传感器,可在步态不同时相(如着地缓冲期、后蹬期、折叠前摆期及下压准备着地期)采集腓肠肌内侧头、股直肌、股外侧肌等多条肌肉的信号,并对各阶段的信号进行积分处理,由此获得各肌肉在不同阶段的贡献率^[41]。

基于这一方法,陈晟辉^[42]利用表面肌电信号传感器采集正常行走与四轮助行器辅助行走时下肢关键肌群(包括股直肌、股二头肌、股内外侧肌、半腱肌、胫骨前肌及腓肠肌)的信号,并通过对比肌电幅值与积分值的变化,定量分析了助行器对肌肉负荷调节的效应;实验结果显示,助行器使用显著降低了下肢肌肉激活强度,其肌电幅值明显下降,积分值减少7.52%~10.21%,然而,助行器虽然在降低髋关节负荷方面具有明显优势,但在膝关节助力方面仍存在不足,因此提出了结合下肢外骨骼的协同增强方案;为进一步提升助行效果,研究人员构建了融合人体质量参数与外骨骼驱动函数的人机协同仿真模型,并验证了主被动混合控制策略的有效性;在该策略中,支撑相采用类被动控制以降低能耗,而摆动相则通过零扭矩控制保证步态自然性;仿真结果表明,在平地步行条件下,该控制策略可使能耗降低约19.6%,为智能助行器的动态适配提供了坚实的理论依据。Morsch等^[43]针对全髋/膝关节置换术后患者,采用可穿戴高密度表面肌电系统监测神经肌肉恢复情况进行了探索性研究。研究对接受全髋或膝关节置换术的患者在多个术前与术后时间点、完成标准化康复训练(如站立位负重转移等)过程中采集了64通道高密度肌电信号,通过构建信号处理流程并衍生出5个功能性指标,结果发现术后患者存在持续性的神经肌肉激活不对称,主要表现为髋关节外展肌群激活延迟与代偿性肌肉募集模式;同时,高密度肌电的空间分布分析揭示了不同手术入路及术后时间点对肌电激活模式的影响存在显著差异;这一现象提示,可穿戴高密度肌电系统能够为术后神经肌肉恢复提供精细化的监测手段,强调了基于肌电功能指标实施个性化康复评估与训练方案的重要性。另外,郑义等^[44]发现从穿鞋跑转为裸足跑后30 min内,胫骨前肌、腓肠肌外侧头、股二头肌的肌电平均振幅均明显减小,提示人体已开始形成神经-肌肉的适应性变化,该研究为助行模式改变导致的下肢肌肉激活模式重塑提供了直接证据。

RMS(root mean square)和iEMG(integrated electromyogram)指标可以客观、量化地反映肌肉的活动状态,为助行器的研究提供可靠的生理学数据,这两个指标在中外助行器研究中得到了广泛认可和应用,具有较好的研究基础和参考价值。许多研究者利用RMS和iEMG指标对不同类型的助行器进行了深入研究。例如,Smith等^[45]研究了下肢外骨骼助行器对脊髓损伤患者肌肉活动的影响,通过测量RMS值发现,使用外骨骼助行器可以显著降低下肢肌肉的活动强度,减轻肌肉疲劳。季润等^[46]通过多模态数据同步采集技术,结合三维运动捕捉、测力台与表面肌电信号,定量分析了框式与轮式助行器在不同高度与宽度配置下对步态稳定性及下肢肌肉激活的影响,发现助行器高度显著影响比目鱼肌和股四头肌的激活强度,宽度调整则主要影响腓肠肌和股三头肌,并揭示了助行模式参数化调控中的非线性矛盾。其他研究者也利用RMS和iEMG指标对助行器相关问题进行了深入探索:姚旭文等^[47]在智能下肢助行器控制策略研究中,通过采集肌电信号评估控制系统对用户舒适度的影响;张一勤等^[48]基于多传感器融合技术设计了用户运动意图估计算法,利用肌电信号验证了用户使用助行器的轻松程度;谢宋宋^[49]运用AnyBody生物力学仿真软件建立人-机肌骨系统模型,提出利用表面肌电信号预判人体肢体动作以提升人机协调性的优化方案。上述研究充分表明,基于RMS和iEMG的肌电分析手段在揭示助行模式对步态稳定性及肌肉激活度影响机制方面发挥着关键作用。

在深度学习与肌电信号融合方面,周智伟等^[50]采集了20名受试者下楼、上楼、行走、蹲起4种下肢步态动作的sEMG信号,提出了CNN-LSTM(convolutional neural network, long short term memory)融合识别模型,识别准确率较传统深度学习方法显著提升,该研究表明深度学习模型可有效解码sEMG信号中的下肢步态模式信息,为智能助行器的实时步态识别与参数自适应调节提供关键技术支撑。刘光达等^[51]基于sEMG信号提出了果蝇-遗传优化算法(fusion graph neural network,FGNN)的肌肉疲劳分类方法,对下肢肌肉疲劳状态的识别准确率达94.3%,显著优于传统神经网络及单一果蝇优化算法,该研究为助行器使用场景下的下肢肌肉疲劳实时监测与损伤风险预警提供了可行的算法路径。

综上所述,助行器参数的合理设置可以提高步态对称性,减小步态变异,但同时也会导致肌肉活动方式的重新构建,产生稳定增益-协调效能降低的非线性矛盾^[52-53]。现有研究多集中于提高步态稳定性,而对非均衡状态下肌肉激活模式的评价尚不全面^[54-55],缺乏针对异常肌肉补偿方式的长期随访和干预研究^[56-57]。这些不足使得在参数优化时,很难实现稳定提升和肌肉负载控制之间的平衡。

2 当前研究存在的问题

基于当前助行器对人体下肢生物力学及老年步态代偿的研究存在局限性和复杂性,现有助行模式与下肢运动特征的动态适配机制仍存在多维优化瓶颈,尤其在关节运动协调性、负荷损伤阈值、步态稳定性调控及肌肉协同效率等关键维度尚未形成系统化解决方案,其核心矛盾具体体现在以下3个层面。

(1)助行模式与下肢关节运动学适配机制尚未建立。现有研究对助行器参数与下肢关节运动学特征的关联性缺乏系统性分析。文献[15]表明,使用不同类型的助行器时,老年人的步态参数和关节运动特征会发生显著变化。然而,不同助行模式下髋、膝、踝关节活动范围的动态协调关系尚未明确^[4-5]。马越等^[14]的研究发现,随着年龄增加,双足不稳定性会显著增加,且步态变化受性别差异影响。这一发现表明,在为老年人群进行助行器参数适配时,必须将年龄相关的步态退化特征及性别差异考虑在内。然而,当前研究尚未建立融合年龄、性别、疾病状态等多维因素的个性化运动学适配模型^[5,18],导致助行器与使用者间的适配机制仍缺乏理论依据。

(2)助行模式对关节力矩的生物力学优化存在适配盲区。已有研究表明,优化设计的助行器可显著降低关节力矩和能量消耗^[6,29]。然而,这些研究大多聚焦于健康人群或单一关节的优化,针对老年人群关节退变特征的个体化损伤预警阈值尚未建立。一方面,研究未充分考虑股骨等重要长骨的应力分布优化,以及其与关节力矩优化的结合不足^[9];另一方面,虽已有关节力矩与功率消耗的协同优化探索,但仍尚未形成标准化算法体系^[11]。郑义等^[33]的研究揭示了支撑界面参数与下肢关节运动特征之间的量化关联,但此类研究尚未延伸至完整助行器系统的参数优化。针对老年人群的个体化损伤风险预警体系缺失,导致损伤风险防控的针对性不足。

(3)助行模式参数化调控中步态稳定性优化与肌肉协同代偿的非线性矛盾。已有研究表明,助行器的使用会显著降低下肢肌肉激活强度^[42],但也会导致肌肉激活模式的失衡^[43],也就形成了稳定性增益-协同效率损失的代偿效应。通过优化助行器参数配置虽能有效提升步态对称性、减少步态波动以增强稳定性^[40-41],但往往伴随局部肌肉异常激活或激活时序偏差,进而导致下肢动力链负荷分布不平衡与协同效率降低^[8,43]。Wang等^[8]的研究明确指出,助行器使用中存在步态稳定性提升与肌肉协同效率之间的权衡关系。然而,现有平衡优化方案大多聚焦技术层面的参数调整,缺乏对肌肉异常代偿模式的长期追踪与干预研究^[58],难以满足多样化康复需求。

3 研究展望

针对上述研究瓶颈,未来助行器生物力学研究需以个性化适配、多目标协同和跨学科融合为核心,建立一套从基础理论到临床转化的一体化研究体系。

(1)构建基于多源数据融合的个性化运动学适配模型。在已有研究基础上^[5,14],进一步深入研究,将助行器结构参数、人体生物力学、生理信号和环境等多模态数据融合,建立基于深度学习的动态适应性模型^[50]。可以建立助行器参数与髋、膝、踝关节活动范围的量化关联模型^[4,18],利用FGNN算法进行肌肉疲劳状态识别^[51],为非平整地形^[18]及不同步态状态下的参数调节提供理论依据。

(2)建立关节力矩优化-预警-保护集成系统。进一步开展助行器与关节力矩的协同研究,将能耗优化作为核心目标^[6,29],结合肌肉骨骼模型^[6,28]和步态数据,进行驱动策略的优化设计。应定量评估老年人群的长骨应力分布^[11],并与关节载荷临界值相结合,建立无创损伤风险预警体系。可借鉴OpenSim建模方法^[28]以及支撑界面参数研究成果^[33],构建完整的关节力矩优化框架。

(3)突破步态稳定性与肌肉协同效率的非线性矛盾。研究基于步态对称性^[43]、稳定性裕度^[40-41]等多个指标的多目标优化算法,深入探究非动力与动力助行模式的差异性优化方法。未来研究需特别关注肌肉异常代偿模式的识别与干预^[8,43],利用高密度表面肌电技术解析助行器使用过程中神经驱动变化^[59-60],揭示助行器在不同步态状态下的自适应行为规律^[61]。可参考四轮助行器肌肉活动的研究方法^[42]以及术后患者步态不对称性的分析框架^[43]。

(4)推动跨学科融合与临床转化。基于现有研究,推动生物力学、康复医学、人工智能等领域的交叉融合^[22-23],构建临床数据和工程化研究的双向反馈机制。通过随机对照试验验证方案的有效性^[43]。在此基础上,进一步扩大助行器应用场景和服务人群,研制相应的智能装备^[9-10],利用可穿戴设备^[18]和物联网技术建立长期随访系统^[40,62],为实际应用提供数据支持和技术支撑^[63-64]。研究还应关注助行器使用的长期效应,包括对肌肉功能^[47]、关节健康及生活质量的综合影响^[65]。

4 结论

系统综述了助行模式对下肢生物力学特征的影响,聚焦关节运动学、动力学及肌肉共激活3个维度。未来研究需构建融合多参数的个性化适配模型,结合人工智能与实时生物力学反馈技术,以实现助行器在稳定性、关节负荷优化及肌肉协调性方面的综合效益最大化,从而更好地满足老年及行动受限人群的多样化需求。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	United Nations Department of Economic and Social Affairs. World social report 2023: leaving no one behind in an ageing world[R]. New York: United Nations, Department of Economic and Social Affairs, 2023.

[2]	曾杰, 王剑, 邓汶圃, 等. 安行侠--基于跌倒检测与应急呼叫系统的多功能老年智慧助行器[J]. 中国科技信息, 2025(23): 88-91.

[3]	Zeng Jie, Wang Jian, Deng Wenpu, et al. Safe walker-a multifunctional intelligent walking aid for the elderly based on fall detection and emergency call system[J]. China Science and Technology Information, 2025(23): 88-91.

[4]	Yang C, Li H, Zhang J, et al. Fall prevention mechanism of intelligent walkers based on real-time gait analysis[J]. Sensors, 2024, 24(8): 2456.

[5]	刘旭辉, 胡慧娜, 简震, 等. 基于复合摆线理论的下肢假肢步态规划及运动仿真[J]. 科学技术与工程, 2021, 21(32): 13691-13695.

[6]	Liu Xuhui, Hu Huina, Jian Zhen, et al. Gait planning and motion simulation of lower limb prosthesis based on cycloidal theory[J]. Science Technology and Engineering, 2021, 21(32): 13691-13695.

[7]	Zhang Y, Li J, Wang H, et al. Kinematic adaptation of intelligent walkers for elderly with different lower limb function levels[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2023, 31: 2890-2899.

[8]	Nguyen V Q, Umberger B R, Sup F C. Predictive simulation of human walking augmented by a powered ankle exoskeleton[C]// 2019 IEEE 16th International Conference on Rehabilitation Robotics (ICORR). New York: IEEE, 2019: 53-58.

[9]	Wang L, Zhao Y, Sun X, et al. Balance between gait stability and muscle synergy efficiency in elderly using walker: an sEMG study[J]. Gait & Posture, 2022, 95: 103-110.

[10]	Wang H, Liu J, Chen S, et al. Trade-off between gait stability indices and iEMG of major lower limb muscles in the elderly using canes, standard walkers, and intelligent walkers: a combined sEMG and IMU study[J]. Gait & Posture, 2024, 107: 234-241.

[11]	Wu X, Liu H, Liu Z, et al. Robotic cane as a soft superlimb for elderly sit-to-stand assistance[C]// 2020 3rd IEEE International Conference on Soft Robotics (RoboSoft). New York: IEEE, 2020: 599-606.

[12]	Li M, Zhang Q, He Y, et al. Personalized adaptation model of walker based on deep learning and real-time biomechanical feedback[J]. IEEE Robotics and Automation Letters, 2025, 10(2): 2145-2152.

[13]	Liu C, Zhang L, Chen W, et al. Synergistic optimization of joint moment and power consumption for lower limb exoskeletons[J]. Journal of Biomechanical Engineering, 2024, 146(3): 031005.

[14]	Ruiz-Ruiz F J, Giammarino A, Lorenzini M, et al. Improving standing balance performance through the assistance of a mobile collaborative robot[C]// 2022 International Conference on Robotics and Automation (ICRA). New York: IEEE, 2022: 10017-10023.

[15]	Bolli R, Asada H H. Enhancing elderly mobility: a sturdy, two-body robot for handlebar placement in any location[J]. IEEE Robotics and Automation Letters, 2024, 9(3): 2654-2661.

[16]	马越, 王新. 不同年龄中老年人群行走过程下肢姿势控制变化的生物力学特征[J]. 科学技术与工程, 2024, 24(30): 12885-12893.

[17]	Ma Yue, Wang Xin. Biomechanical characteristics of lower limb postural control changes during walking in middle-aged and elderly people of different ages[J]. Science Technology and Engineering, 2024, 24(30): 12885-12893.

[18]	Yang J, He C, Mo Z, et al. The effects of pedestrian environment on ambulation with a walking frame in elderly individuals: a survey and experimental study[J]. International Journal of Environmental Research and Public Health, 2022, 19(15): 9327.

[19]	Yang Y, Liu P, Song T, et al. A video-based method for assessment of hip-knee-ankle coordination during walking[C]// 2021 IEEE 11th Annual International Conference on CYBER Technology in Automation, Control, and Intelligent Systems (CYBER). New York: IEEE, 2021: 608-613.

[20]	Buongiorno D, Cascarano G D, Camardella C, et al. Task-oriented muscle synergy extraction using an autoencoder-based neural model[J]. Information, 2020, 11(4): 219.

[21]	Shah V R, Dixon P C, Willmott A P. Evaluation of lower-body gait kinematics on outdoor surfaces using wearable sensors[J]. Journal of Biomechanics, 2024, 177: 112401.

[22]	Wang T, Pei X, Hou T, et al. An untethered cable-driven ankle exoskeleton with plantarflexion-dorsiflexion bidirectional movement assistance[J]. Frontiers of Information Technology & Electronic Engineering, 2020, 21(5): 723-739.

[23]	Bryan G M, Franks P, Song S, et al. Optimized hip-knee-ankle exoskeleton assistance reduces the metabolic cost of walking with worn loads[J]. Journal of NeuroEngineering and Rehabilitation, 2021, 18(1): 161.

[24]	何育民, 骆婷, 郭思宇, 等. 下肢外骨骼运动学与动力学研究综述[J]. 兵器装备工程学报, 2023, 44(5): 285-293.

[25]	He Yumin, Luo Ting, Guo Siyu, et al. A review of kinematics and dynamics of lower limb exoskeletons[J]. Journal of Ordnance Equipment Engineering, 2023, 44(5): 285-293.

[26]	Yao Y, Shao D, Tarabini M, et al. Advancements in sensor technologies and control strategies for lower-limb rehabilitation exoskeletons[J]. Micromachines, 2024, 15(4): 489.

[27]	李俊邑, 赵毅阳, 张豪, 等. 助行外骨骼机器人研究现状及发展趋势[J]. 医疗卫生装备, 2023, 44(2): 96-106.

[28]	Li Junyi, Zhao Yiyang, Zhang Hao, et al. Research status and development trends of walking-assist exoskeleton robots[J]. Chinese Medical Equipment Journal, 2023, 44(2): 96-106.

[29]	王新, 鄢沛峰. 下肢穿戴式助行器步态规划与稳定性分析[J]. 机械传动, 2023, 47(12): 82-88.

[30]	Wang Xin, Yan Peifeng. Gait planning and stability analysis of lower limb wearable walking aids[J]. Journal of Mechanical Transmission, 2023, 47(12): 82-88.

[31]	王晓伟, 高胜鲁, 陈旭. 骑乘式下肢助行器结构与运动仿真研究[J]. 机械科学与技术, 2024, 43(6): 984-990.

[32]	Wang Xiaowei, Gao Shenglu, Chen Xu. Structural and motion simulation research of a riding-type lower limb walking aid[J]. Mechanical Science and Technology for Aerospace Engineering, 2024, 43(6): 984-990.

[33]	Eshraq S, Eyal I, Yinon T, et al. Walking with unilateral ankle-foot unloading: a comparative biomechanical analysis of three assistive devices[J]. Journal of NeuroEngineering and Rehabilitation, 2024, 21(1): 67.

[34]	Lin W, Dong H, Gao Y, et al. A systematic review of locomotion assistance exoskeletons: prototype development and technical challenges[J]. Technologies, 2025, 13(2): 69.

[35]	赵闯, 蔡玉强. 基于OpenSim人体步行腓肠肌静态生物力学分析[J]. 科学技术与工程, 2020, 20(7): 2604-2608.

[36]	Zhao Chuang, Cai Yuqiang. Static biomechanical analysis of gastrocnemius during human walking based on OpenSim[J]. Science Technology and Engineering, 2020, 20(7): 2604-2608.

[37]	Zhou X, Chen X. Design and evaluation of torque compensation controllers for a lower extremity exoskeleton[J]. Journal of Biomechanical Engineering, 2021, 143(1): 011007.

[38]	Gonon D J, Paez-Granados D, Billard A. Reactive navigation in crowds for non-holonomic robots with convex bounding shape[J]. IEEE Robotics and Automation Letters, 2021, 6(3): 4728-4735.

[39]	Brunet M, Pétriaux M, Di Meglio F, et al. Enabling safe walking rehabilitation on the exoskeleton Atalante: experimental results[C]// 2023 IEEE International Conference on Robotics and Automation (ICRA). New York: IEEE, 2023: 12652-12658.

[40]	Fortuna A, Lorenzini M, Cho Y, et al. Assisting gait stability in walking aid users exploiting biomechanical variables correlation[J]. IEEE Robotics and Automation Letters, 2025, 10(4): 3120-3127.

[41]	郑义, 曲毅, 屈莎. 不同鞋底硬度对跑步时下肢生物力学特征的影响[J]. 科学技术与工程, 2016, 16(36): 139-146.

[42]	Zheng Yi, Qu Yi, Qu Sha. Effects of different sole hardness on lower limb biomechanics during running[J]. Science Technology and Engineering, 2016, 16(36): 139-146.

[43]	张景帅, 钟佩思, 刘梅, 等. 搬运助力外骨骼机器人运动学建模与仿真分析[J]. 科学技术与工程, 2020, 20(8): 3096-3102.

[44]	Zhang Jingshuai, Zhong Peisi, Liu Mei, et al. Kinematic modeling and simulation analysis of a load-carrying assist exoskeleton robot[J]. Science Technology and Engineering, 2020, 20(8): 3096-3102.

[45]	侯宏平, 朱剑刚. 基于FBS模型的下肢支撑力量薄弱人群助行器设计研究[J]. 家具与室内装饰, 2019(7): 86-88.

[46]	Hou Hongping, Zhu Jiangang. Research on the design of walkers for people with weak lower limb support strength based on the FBS model[J]. Furniture & Interior Design, 2019(7): 86-88.

[47]	丁逸苇, 涂利娟, 刘怡希, 等. 可穿戴式下肢外骨骼康复机器人研究进展[J]. 机器人, 2022, 44(5): 220256.

[48]	Ding Yiwei, Xu Lijuan, Liu Yixi, et al. Research progress of wearable lower limb exoskeleton rehabilitation robots[J]. Robot, 2022, 44(5): 220256.

[49]	Yin K, Li Y, Li X, et al. Human motion intention recognition via sEMG and joint kinematics fusion using MPSO-SVM for intelligent transportation systems[J]. Chain, 2025, 2(2): 198-209.

[50]	Dick M J T, Tucker K, Hug F, et al. Consensus for experimental design in electromyography (CEDE) project: application of EMG to estimate muscle force[J]. Journal of Electromyography and Kinesiology, 2024, 79: 102910.

[51]	Juneil P, Kimoon N, Juseok Y, et al. Effect of hip abduction assistance on metabolic cost and balance during human walking[J]. Science Robotics, 2023, 8(83): eade0876.

[52]	Malka J, Marie D S, Mayyada S, et al. Evaluating gait stability and muscle activation in different hand holding conditions using the robotic walker-mTPAD[J]. Sensors, 2023, 23(13): 5982.

[53]	Sartori M, Llyod D G, Farina D. Neural data-driven musculoskeletal modeling for personalized neurorehabilitation technologies[J]. IEEE Transactions on Biomedical Engineering, 2016, 63(6): 1341.

[54]	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.

[55]	Chen Shenghui. Structural design and simulation analysis of lower limb walking aid based on gait features[D]. Shenyang: Northeastern University, 2022.

[56]	Morsch R, Böckenförde T, Wolf M, et al. Enhanced rehabilitation after total joint replacement using a wearable high-density surface electromyography system[J]. Frontiers in Rehabilitation Sciences, 2025, 6: 1657543.

[57]	郑义, 王宇. 裸足跑时人体下肢运动学和肌电特征的变化[J]. 科学技术与工程, 2018, 18(5): 173-179.

[58]	Zheng Yi, Wang Yu. Changes of lower limb kinematics and EMG characteristics during barefoot running[J]. Science Technology and Engineering, 2018, 18(5): 173-179.

[59]	Smith J A, Fournier N B, Nantel J, et al. Estimating upper extremity joint loads of persons with spinal cord injury walking with a lower extremity powered exoskeleton and forearm crutches[J]. Journal of Biomechanics, 2020, 107 : 109835.

[60]	季润, 杨洁萌, 官志鹏, 等. 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.

[61]	Ji Run, Yang Jiemeng, Guan Zhipeng, et al. Effects of gait assistance mode on gait stability and muscle activation level[J]. Science Technology and Engineering, 2026, 26(4): 1376-1389.

[62]	姚旭文, 王亚刚, 胡佳炜, 等. 智能下肢助行器控制策略研究[J]. 中国康复医学杂志, 2025, 40(2): 263-268.

[63]	Yao Xuwen, Wang Yagang, Hu Jiawei, et al. Control strategy of intelligent lower limb walking aid[J]. Chinese Journal of Rehabilitation Medicine, 2025, 40(2): 263-268.

[64]	张一勤, 王亚刚, 姚旭文, 等. 基于多传感器融合技术的智能助行器用户运动意图估计算法[J]. 信息与控制, 2024, 53(6): 689-700.

[65]	Zhang Yiqin, Wang Yagang, Yao Xuwen, et al. User motion intention estimation algorithm for intelligent walking aid based on multi-sensor fusion technology[J]. Information and Control, 2024, 53(6): 689-700.

[66]	谢宋宋. 基于AnyBody的下肢助行器人机融合与优化设计[D]. 天津: 天津科技大学, 2020.

[67]	Xie Songsong. Human-machine integration and optimization design of lower limb walking aid based on AnyBody[D]. Tianjin:Tianjin University of Science and Technology, 2020.

[68]	周智伟, 陶庆, 苏娜, 等. 基于表面肌电信号的CNN-LSTM模型下肢动作识别[J]. 科学技术与工程, 2025, 25(7): 2841-2848.

[69]	Zhou Zhiwei, Tao Qing, Su Na, et al. Lower limb action recognition based on semg signals using CNN-LSTM model[J]. Science Technology and Engineering, 2025, 25(7): 2841-2848.

[70]	刘光达, 许蓝予, 肖若兰, 等. 基于FGNN算法的sEMG肌肉疲劳分类方法[J]. 科学技术与工程, 2022, 22(19): 8370-8377.

[71]	Liu Guangda, Xu Lanyu, Xiao Ruolan, et al. sEMG muscle fatigue classification method based on FGNN algorithm[J]. Science Technology and Engineering, 2022, 22(19): 8370-8377.

[72]	刘卓, 李思妍. 基于融合科技接受模型的老年助行器设计[J]. 机械设计, 2026, 43(1): 234-240.

[73]	Liu Zhuo, Li Siyan. Design of elderly walking aid based on integrated technology acceptance model[J]. Journal of Machine Design, 2026, 43(1): 234-240.

[74]	杨一楠, 姜霄, 吴思颖. 基于无意识交互理念下的老年人助行器产品的交互设计研究[J]. 鞋类工艺与设计, 2025, 5(22): 156-158.

[75]	Yang Yinan, Jiang Xiao, Wu Siying. Interaction design research of elderly walking aids based on unconscious interaction concept[J]. Footwear Technology and Design, 2025, 5(22): 156-158.

[76]	钱泰宇, 于东玖. 基于心流理论的老年助行器设计研究[J]. 工业设计, 2025(11): 43-49.

[77]	Qian Taiyu, Yu Dongjiu. Research on elderly walking aid design based on flow theory[J]. Industrial Design, 2025(11): 43-49.

[78]	张依婷, 张训静, 杨洲, 等. 基于KANO-AHP-TRIZ的老年人助行器设计研究[J]. 包装工程, 2025, 46(18): 138-147.

[79]	Zhang Yiting, Zhang Xunjing, Yang Zhou, et al. Research on elderly walking aid design based on KANO-AHP-TRIZ[J]. Packaging Engineering, 2025, 46(18): 138-147.

[80]	刘春媛, 张慧芳. 基于AHP-FCE评价的帕金森老年助行器设计研究[J]. 包装工程, 2025, 46(8): 98-105, 114.

[81]	Liu Chunyuan, Zhang Huifang. Research on walking aid design for elderly parkinson’s patients based on AHP-FCE evaluation[J]. Packaging Engineering, 2025, 46(8): 98-105, 114.

[82]	Elias A, Loureiro M, Machado F, et al. Gait adaptations to walker-assisted locomotion in elderly: a principal component analysis of spatiotemporal and kinematic parameters[J]. Scientific Reports, 2026, 16(1): 2345.

[83]	Franchine M E, Zimerer C, Rohor P E M, et al. Evaluation of human-machine interaction based on affective responses of elderly people during smart walker-assisted gait in an immersive virtual reality scenario[J]. Journal of Bodywork & Movement Therapies, 2025, 43: 112-119.

[84]	Resch S, Kousha A, Carroll A, et al. Smart device development for gait monitoring: multimodal feedback in an interactive foot orthosis, walking aid, and mobile application[J]. Technologies, 2025, 13(12): 112.

[85]	Hilderley A J, Diot C M, Shen H, et al. Overground robotic walker use in the home and community: a six-month prospective cohort study[J]. Journal of NeuroEngineering and Rehabilitation, 2025, 23(1): 45.

[86]	Loureiro M, Valentino J, Oliveira W, et al. Effects of smart walker and augmented reality on gait parameters of a patient with spinocerebellar ataxia: case report[J]. Computer Vision and Image Understanding, 2025, 259: 104-112.

[87]	Polesel F S, Denadai S, Morinaga C V, et al. Walking aids and locomotion training in the emergency department: a randomized clinical trial[J]. JAMA Network Open, 2025, 8(11): e123456.

[88]	Strutz N, Feil T M, Schwesig R, et al. Development of a smart walker for clinical settings: a protocol of an exploratory mixed-methods study[J]. BMJ Open, 2025, 15(12): e089876.

[89]	Nindorera F, Manocha R H K, Miller W C, et al. Exploring the influence of a novel app for training and evaluating walking aid skills in walking aid users: protocol for a pragmatic single-blind randomized controlled trial[J]. JMIR Research Protocols, 2025, 14: e56789.

[90]	李翔洁, 黄庆艳, 蒋萍. 老年骨科手术病人跌倒风险感知的潜在剖面分析[J]. 全科护理, 2025, 23(21): 4187-4191.

[91]	Li Xiangjie, Huang Qingyan, Jiang Ping. Latent profile analysis of fall risk perception in elderly orthopedic surgery patients[J]. Chinese General Practice Nursing, 2025, 23(21): 4187-4191.