通过 Phyphox® 应用程序评估步态的时空特征：一系列病例
抽象的
人类运动的时空特征可以提供有效的临床指标来评估运动控制和大脑功能。本病例报告旨在评估步幅间时间变化的时间结构，并通过“Phyphox”应用程序计算出隐藏在生理步态重复结构之下的内在分形框架。这是一项从通过移动应用程序分析步态变量的角度进行的创新研究。
五名白人老年人（3 名女性；年龄 = 73 ± 10,5 岁；体重 = 62,2 ± 15,1 kg；身高 = 1,56 ± 0,1 m；2 名男性；年龄 = 75,5 ± 7,8 岁；体重 = 86,3 ± 18,0 kg；身高 = 1,77 ± 0,1 m）参加了这项研究。五名参与者被要求以自然节奏行走，其中两名参与者的步数大于 80 步/分钟（81.14 ± 0.01；86.67 ± 0.02）；其他人的步数在 55 至 65 步/分钟之间（55.20 ± 0.02；55.78 ± 0.05；61.02 ± 0.05）。至于变异系数，只有一名参与者的变异系数为 10.08%。对于总步数，三名参与者的数值大于 1000 步。这些步数之间的变异性已通过去趋势波动分析量化；一名参与者的数值大于 1。
这项研究提供的证据表明，智能手机可能提供评估步态时空特征的有效方法。
背景
衰老是伴随生命周期而来的自然生理过程，涉及社会心理和生理领域的并发症，从而导致思维迟钝、抑郁、功能障碍、抵抗力丧失、缺乏活动和身体退化。步幅间节奏的变化对于评估运动控制很重要，并且已经证明老年人群和健康成年人的步幅时间间隔的变异性增加 [13]。过去几十年的研究通过跑步机和地板运动过程中的步态分析检查了自适应和功能性生物系统的特性，结果表明健康人群和临床人群尽管具有不同的功能行为，但其节律可以表现出相似的变异性。所有生物节律都表现出一定程度的变异性，虽然其中一些系统仍然具有适应性和功能性，但另一些系统则适应不良且功能失调。因此，如果人不能调整步态，受伤的风险就会增加 [3]。
积极老龄化有助于维持功能能力、生活质量和独立性。衰老过程中固有的功能变化可能导致失衡情况，从而增加跌倒的风险 [10]。
全世界范围内，跌倒是意外死亡的第二大原因，其中 65 岁以上的人群发生致命跌倒的比例最高。跌倒造成的伤害与身体机能下降、独立性丧失以及对未来跌倒的恐惧有关，这反过来又会导致身体活动和社交活动的减少 [7]。
制定与跌倒风险因素相关的预防措施变得至关重要。临床方法应包括与过去跌倒相关的良好病史，此外还应评估肌肉强度和运动范围以及进行步态和平衡测试。功能测试的应用旨在通过提供有关患者活动能力的数据并揭示可能的平衡缺陷来协助临床评估[10]。
通过为老年人提供适当的健康应用程序，他们可以独立自主地监测和管理自己的健康状况。智能手机有许多传感器，能够测量和跟踪生命体征以及其他与健康相关的数据。医疗保健应用程序分析和处理这些数据，因此可以为未来的医疗保健服务提供全面支持 [8]。
更具体地说，这些系统固有的节律变异性也表现出分形尺度（即，一个时间尺度上的变异模式与其他时间尺度上的变异模式相似）。因此，最近，指标变异结构的指标在文献中受到青睐，因为它们能够量化运动系统节律行为的动态、随时间演变的性质 [9]。
技术进步使医疗专业人员使用的技术和程序得以更新，例如使用移动设备作为支持设备。智能手机具有巨大的潜力，因为它们是一种可访问、实用且便携的设备，可以帮助从数据收集程序到疾病诊断 [10,12]。
在适用于 Android 和 IOS 操作系统的免费许可应用程序中，Phyphox [12] 脱颖而出，因为它允许使用各种传感器执行各种活动，而大多数应用程序的用途有限。借助交互式图形资源和实时测量，可以直接在应用程序中分析获得的数据，即使不使用计算机也可以快速读取数据。该应用程序还提供数据导出和共享选项，以便稍后在更强大的程序中处理它们 [5]。
Phyphox 应用程序是由德国亚琛工业大学第二物理研究所开发的。通过此应用程序，我们可以使用智能手机进行物理实验。这是可能的，因为该应用程序允许使用设备的传感器进行评估，例如使用智能手机自己的加速度计传感器检测单摆的频率。此应用程序可以免费使用，可以在其官方网站（phyphox.org）上下载。能够使用该应用程序的基本先决条件是一些传感器，其中包括：加速度计、麦克风、光传感器和接近传感器。通常，设备拥有的传感器越多，可以使用的体验就越多，因为可以达到的范围越大 [6]。
Phyphox 是一款适用于 Android 和 IOS 的应用程序。该应用程序可以使用智能手机中现有的各种传感器，因为它具有多种功能，例如：访问加速度、旋转速率和智能手机位置的测量值。它还可以测量磁场、压力、光强度和声音强度 [11]。通过该应用程序，仍然可以实时获得重力加速度的直接估计值 [5]。
病例介绍
开展了一项研究，通过实践测试收集数据。数据收集于 2021 年 12 月至 2022 年 7 月期间，通过招募参与者收集，这些参与者是阿尔马达市 (MA) 体育活动小组的成员，更具体地说是一个名为“积极退休”的项目，该项目旨在促进体育锻炼，刺激退休前和退休人员的感觉运动能力，这是埃武拉大学 (UE) 和 MA 之间的协议。
我们从参与者中随机选择了五个人进行这项试点研究。
五名老年人（3 名女性；年龄 = 73 ± 10,5 岁；体重 = 62,2 ± 15,1 公斤；身高 = 1,56 ± 0,1 米；2 名男性；年龄 = 75,5 ± 7,8 岁；体重 = 86,3 ± 18,0 公斤；身高 = 1,77 ± 0,1 米）参加了本研究。本研究经埃武拉大学伦理委员会批准（批准号：21040）。根据赫尔辛基人体研究法，每位参与者在参与之前均提供了知情同意书。在进行任何步行测试之前，参与者都接受了一般健康评估，以满足纳入标准和人口统计学信息。
排除年龄在 55 岁以下的参与者。纳入标准如下：（1）年龄超过 65 岁；（2）没有假牙（假牙除外）；（3）6 个月内未接受手术的人；（4）阿尔马达市居民。排除标准：（1）患有肌肉骨骼疾病的人；（2）有运动问题的人；（3）精神疾病和神经系统疾病；（4）患有临床心血管和心脏病的人。
首先，通过体重和身高分析进行人体测量和身体成分评估。对于 5 名参与者（3 名女性和 2 名男性），我们使用疾病控制和预防中心 (CDC) 成人计算器计算了 BMI 指数。
我们要求参与者完成 12 分钟的无刺激步行（自主步调步行），并指示他们以自己选择的步调行走，同时目视前方。
丢弃了前 15 秒以避免任何初始适应。同样，丢弃了最后 15 秒以避免步频减慢效应。计算了每个步幅间隔 (ISI) 时间序列的平均值和变异系数。分形尺度指数 α 也是从 ISI 的时间序列中计算出来的。分形尺度指数 α 也是使用 DFA 从 ISI 时间序列 (α-ISI) 中计算出来的。
log F(n) 是针对 log n（均方根与窗口大小）绘制的。该图的斜率是报告的 α 值。如果 α 值大于 0.5，则长程相关性为正持续性。这意味着增加之后可能接着增加，减少之后可能接着减少。而如果 α 值小于 0.5，则长程相关性为反持续性，这意味着增加之后可能接着减少，反之亦然。如果 α 值大于 1，则信号被视为棕色 [1]。
在本研究中，刺激被设计为具有 α 值 1，表示信号中的粉红噪声和分形复杂性。另一方面，较低的值表示复杂性的损失。例如，白噪声信号类型（即高度可变和非结构化）通常具有 α 值 0.5。本研究中选择的去趋势波动分析 (DFA) 窗口大小范围为 16 至 N/8，其中 N 是通过间隔的数量。
采用趋势波动分析法，通过每分钟步数、标准变异、变异系数、总步数和分形维数对非线性方法进行了分析，研究了五个 10 分钟步行的时间序列。
结果
评估了 5 名受试者，其中 3 名女性，2 名男性，年龄在 60 至 85 岁之间。

扫码免登录支付

本文章为付费文章，是否支付5元后完整阅读？

如果您已购买过该文章，[登录帐号]后即可查看

支付5元