М.А. Петров1, А.М. Акканен2, А.Н. Брико3

1,3 Научный центр мирового уровня «Центр кибернетической медицины и нейропротезирования», ФГБУ «Федеральный центр мозга и нейротехнологий ФМБА России» (Москва, Россия)

1,2,3 ФГАОУ ВО «МГТУ им. Н.Э. Баумана» (Москва, Россия)

1 elon.makc@gmail.com, 2 artem.akkanen@mail.ru, 3 briko@bmstu.ru

Постановка проблемы. Современные методы медицинской реабилитации пациентов с травмами спинного мозга требуют наличия алгоритмов обратной связи. Несмотря на преимущества электрофизиологических методов, они ограничены невозможностью совмещения со стимуляционными технологиями реабилитации. Это создает потребность в разработке методов оценки эффективности реабилитации и адаптивных алгоритмов в системах электрической стимуляции.

Цель. Разработать алгоритм определения фазы цикла шага по кинематическим данным инерциальных измерительных блоков, позволяющий по регистрируемым кватернионам определять начало фаз шага и проводить автоматическую разметку сигналов.

Результаты. Проведена разработка и апробация алгоритма автоматического определения и разметки фаз цикла шага при ходьбе по прямой ровной поверхности на основе кватернионов, получаемых с инерциальных измерительных блоков. Определены экстремумы сигналов, соответствующие началу каждой из рассматриваемых фаз шага. На основании экспериментов с добровольцами показана эффективность, универсальность и скорость работы алгоритма.

Практическая значимость. Разработанный алгоритм может быть интегрирован для получения обратной связи в реабилитационных системах, несовместимых с электрофизиологическими методами регистрации данных.

Петров М.А., Акканен А.М., Брико А.Н. Способ автоматического определения и разметки фаз цикла шага по показаниям инерциальных измерительных блоков // Биомедицинская радиоэлектроника. 2026. Т. 29. № 6. С. 126−130. DOI: https://doi.org/10.18127/j15604136-202606-21

1. Tao W., Liu T., Zheng R., Feng H. Gait analysis using wearable sensors // Sensors. 2012. V. 12. № 2. P. 2255–2283. DOI: 0.3390/s120202255.
2. Markov M.E., Varlashin V.V. Software development for identifying human gait phases. // In Nedelya Nauki SPbPU. 2020. P. 50–52.
3. Skvortsov D.V. Clinical Motion Analysis. Gait Analysis. Ivanovo. Russia: NPTs “Stimul”. 1996.
4. Perry J., Burnfield J. Gait Analysis: Normal and Pathological Function. Boca Raton, FL, USA: CRC Press, 2024. DOI: 10.1201/9781003525592.
5. Díaz S., Stephenson J.B., Labrador M.A. Use of wearable sensor technology in gait, balance, and range of motion analysis // Applied Sciences. 2019. V. 10. № 1. P. 234. DOI: 10.3390/app10010234.
6. Jiang X., Chu K.H.T., Khoshnam M., Menon C. A wearable gait phase detection system based on force myography techniques // Sensors. 2018. V. 18. № 4. P. 1279. DOI: 10.3390/s18041279.
7. Gujarathi T., Bhole K. Gait analysis using IMU sensor // In 2019 10th International Conference on Computing. Communication and Networking Technologies (ICCCNT). Piscataway. NJ, USA: IEEE. 2019. P. 1–5. DOI: 10.1109/ICCCNT45670.2019.8944545.
8. González-Islas J.C., Domínguez-Ramírez O.A., López-Ortega O. Biped gait analysis based on forward kinematics modeling using quaternions algebra // Revista Mexicana de Ingeniería Biomédica. 2020. V. 41. № 3. DOI: 10.17488/rmib.41.3.4.
9. Sprager S., Juric M.B. Inertial sensor-based gait recognition: A review // Sensors, 2015.V. 15. № 9. P. 22089–22127. DOI: /10.3390/s150922089.