2.1   惯性传感器监测膝关节的重要运动学参数   生理上的关节运动是通过肌肉的等张收缩发生的，收缩力与关节部位肌肉长度的变化密切相关。在收缩过程中，肌肉长度的变化幅度随关节角度、动作和姿势的不同而不同，通过测量关节的运动范围，可以确定肌肉产生的代表关节健康状况的最大力，不同活动水平下的关节角度和姿势也描绘了此时的肌肉力量和耐力[6]。因此，关节监测的主要重点是以有意义的数据(如角度、活动范围、运动和方向)的形式跟踪和记录关节活动，这些数据可以用来估计关节健康状态并提供反馈。为在各种活动中测量和评估人体关节的力学性能，正在使用不同的跟踪技术，这些技术可以根据提取的4个关键参数进行分析：关节角度、关节运动和骨骼追踪与步态分析[7]。
2.1.1  关节角度  人体每个可移动的关节都有一个运动的最佳角度范围，为了达到最佳角度，肌肉应该有合适的长度来承受最大的力量。对于一个健康的成年人，有几个公认的关节角度活动范围的参考值[8]，然而，角度范围因性别、年龄、身体结构、日常活动等而异[9]。
无论是男性还是女性，关节的活动范围值都随着年龄的增长而下降，膝关节变化最明显。虽然活动范围值通常会受到年龄的影响，但也可能因如受伤或其他相关问题，导致关节活动范围值减少，因此，研究关节角度对早期发现关节问题或判断关节康复进展具有重要意义。对于关节角度的测量，提出并开发了几种传感系统[10-20]，但大多数系统的主要缺点是不够灵活，操作专业门槛高且精度较低。
ARGENT等[21]在一项原始研究中基于单个惯性传感器使用机器学习的方法来评估关节角度，试验招募14名健康参与者进行，使用3D运动捕捉系统(金标准)捕获的运动学数据作为参考标准，利用4种机器学习模型从单个惯性传感器来计算关节角度，并与参考标准进行比较以评估精度，结果表明只使用一个惯性传感器就可以通过多次练习测量关节角度，并且与金标准相比具有很好的准确性。CORDILLET等[22]在一项研究中利用惯性传感器估计骑行过程中的三维膝关节角度，试验招募14名健康的休闲自行车手参与，通过使用基于惯性传感器和基于光电的运动捕获系统来计算身体节段方向和3D膝关节角度的误差，以评估新型传感器的准确性，结果表明使用一对安装在小腿和大腿上的惯性传感器来估计穿过膝盖的三维旋转方法的精度，与传统的标定方法相比，显著提高了三维膝关节角度测量的准确性。OUBRE等[23]在一项研究中将惯性传感器用于膝关节运动学的长时间动态监测，试验招募17名健康者受试者参与，这些人佩戴可伸缩的惯性传感器，固定在膝关节相对节段的2个锚点上，同时以3种不同自选速度行走，在剔除单个离群值受试者后，该系统估计了受试者的膝关节屈伸角度，结果表明该可穿戴惯性传感器可准确估计不同步行速度下运动时的膝关节屈伸角度。STRAATEN等[24]在一项研究中进行基于惯性传感器的运动分析，纳入20名健康对照和19例单侧重度膝关节骨性关节炎患者，使用惯性传感器系统和基于相机的系统(金标准)同时记录了5次单足站立任务，采用一维统计参数图对正常人和重度膝关节骨性关节炎患者的运动学波形进行统计学分析，结果表明其可以区分健康对照组和严重膝关节骨性关节炎患者的侧躯干倾斜度和髋关节屈曲度；与健康对照组相比，有严重膝关节骨性关节炎患者的对侧腿有更多的躯干倾斜，髋部弯曲也更多。与其他技术相比，惯性传感器因其体积小、成本低，并且可以高精度地测量3D膝关节角度，而被越来越多地使用，见图2。



2.1.2   关节运动   关节运动包括屈曲、伸展、内收、外展，旋内、旋外和环转[25]。活动范围值表示关节的全部运动潜力，由于某些健康问题或损伤，关节的活动度可能会减小，因此，关节活动度是评价关节健康状况的重要临床指标。此外，对于关节功能的恢复来说，持续的运动监测是非常重要的。关节运动的测量包括其角度和方向，因此，基于测角仪、光纤传感器或屈伸传感器的关节监视系统不能用于监视关节运
动[26]，因为它们只能测量被解释为角度的单轴运动。为了估计关节的角度和方向，最常用的技术是通过应用图像处理技术，捕获几个人体关节动作的视觉数据，以使用人体测量(人体的大小、形状和组成)和参考图像/视频中的已知关节位置来估计关节运动[27]。虽然该系统是一种可靠和成熟的监测技术，但它需要预先配备的环境和设置，不允许进行持续和长期的监测，特别是在日常活动期间。
STETTER等[28]在一项研究中基于可穿戴惯性传感器和机器学习进行运动中膝关节受力的估计，试验招募13名志愿者进行，在他们的右腿上安装2个惯性传感器，参与者测试了各种动作，包括直线运动、改变方向和跳跃，结果表明机器学习方法可以非常准确地估计基于2个惯性传感器获得数据的各种运动的膝关节受力。SIGWARD等[29]在一项研究中应用惯性传感器评价前交叉韧带重建术后膝关节负荷不对称的特征，试验在19例前交叉韧带重建术后(96.7±16.8) d患者中进行，观察小腿角速度与膝关节伸肌力矩的关系，同时使用惯性传感器和基于测力平台标记的运动系统对步态进行评估，结果表明，小腿的运动学特征可以在前交叉韧带重建后恢复步态时提供与膝关节负荷相关的信息，小腿角速度的肢体间差异与未检测到时空不对称性的膝关节伸展力矩的肢体间差异有关。因此，惯性传感器对于膝关节关节运动的测量拥有较好的发展前景，适用于膝关节受力分析、前交叉韧带术后重建的小腿运动学分析，见图3。



2.1.3   骨骼追踪   骨骼追踪是一种通过检测人体各个关节的位置来建立人体骨骼模型的技术，其有助于通过认识和理解不同功能活动的人类姿势来检测实时人类体态[30]。骨骼追踪的关键应用是通过准确评估人体姿势来检测身体残疾和分析康复过程。大多数骨骼追踪系统基于使用单个摄像机或多个摄像机的网络来捕获图像的图像处理技术，这项技术包括位置和运动的定量测量、分析图像深度的复杂图像处理算法以及跟踪人体关节和创建人体模型的机器学习。已经有一些研究人员不再使用相机或成像传感器和复杂的图像处理技术，而是用放置在人体不同关节位置的多个校准的惯性传感器来取代这种成像系统，以进行骨骼追踪[31-32]，这也使该系统更方便和更容易使用。目前，骨骼追踪被广泛应用于多种智能活动监测系统、人机交互、监视、虚拟游戏、模式识别、人体行为检测、运动员成绩分析和康复系统[33-37]。
QIU等[38]计划开发基于惯性传感器的视觉康复训练游戏和可定制的扩展康复项目。作为虚拟现实的输入工具，患者可以在运动感知游戏中进行康复训练，患者不再需要忍受枯燥的康复训练，患者依从性也可以得到相应地提高。欧攀等[39]在研究中使用基于惯性传感器骨骼追踪的快速人体测量方法，结果表明该方法在短时间内获得较为准确的结果，可在狭小环境中完成部分人体特征尺寸的获取。在2018年世界移动通信大会上，来自日本的公司将基于5G通讯的人形机器人通过网络与操作者相连接，借助Xsens公司的动作捕捉系统采集人体运动信息后，让机器人模仿人类操作者的各种复杂动作。AZIZ等[40]在研究中招募12名年轻人通过佩戴在左右膝盖和胸部的3个惯性传感器，对滑倒、绊倒、昏厥等7种造成跌倒的动作进行测试，以便对跌倒者进行有针对的治疗。所以，基于惯性传感器的骨骼追踪技术相比传统的骨骼追踪技术具有更为广泛的使用前景，操作简便且高效，见图4。



2.1.4   步态分析   步行方式即步态，从长远来看对人们独立生活的能力和健康问题有很大影响，认识到步态分析的重要性只是第一步，还需要了解步态分析的要点。临床步态分析旨在通过生物力学和运动学揭示步态异常的关键联系和影响因素，通过康复训练帮助评估和治疗，并协助临床诊断、疗效评估和病理学研究等[41-42]。
传统的步态分析是基于治疗师的观察和判断，以及足底压力监测，这种方法在很大程度上取决于治疗师的经验，评估结果很可能不准确，部分原因是这些临床评估较为主观[43]。
足底压力监测方法虽然提供了足底压力的详细信息，但是它无法记录摆动阶段的步态参数(例如步速，行走轨迹，关节角度等)，这不利于确定和改进下肢治疗计划[44-45]。步态分析通常在特定步态实验室中执行且价格过于昂贵和操作不便，故有必要开发一种无需复杂过程的步态分析方法，这有利于物理治疗师发现异常步态和慢性步态疼痛的原因，以及健身教练发现运动损伤的风险并提供指导[46-47]。
步态分析是一项分析下肢步行运动的技术，旨在研究步行的内在规律，步态分析可以客观和定量地评估与个体的功能限制相关的步态模式，而时空步态参数的评估则提供了最有效的步态和预测跌倒风险的手段[48-49]。此外，步态的时空学和运动学变量也被用来定量评估步态的水平[50]。时空学参数包括步幅时间、步幅长度、步幅频率，运动学参数包括膝关节运动峰峰值[50]。
KAYAALP等[51]在一项研究中使用惯性传感器来进行患者的术后康复监测，试验招募13名健康志愿者进行了5次10 m步行实验，同时收集了传感器和运动捕捉数据，研究表明这种新型的传感器系统可以记录健康受试者行走过程中的矢状膝关节运动学，与运动捕捉系统的记录相当。DE VROEY等[52]在一项研究中使用惯性传感器对膝关节置换人群的步态时间参数进行评估，试验招募16例膝关节置换患者进行了3次步态实验，试验在6 m步道上以自选速度进行，在试验过程中，同时采集小腿的惯性传感器陀螺仪数据和光电摄像机的运动学数据，结果表明，惯性传感器可用于膝关节置换人群中的临时步态参数的实验室外评估。李玳等[53]在一项研究中使用惯性传感器对前交叉韧带断裂三维不对称度进行步态分析，试验招募正常受试者为正常组，在运动医学研究所拟行前交叉韧带重建的术前患者为对照组，结果表明其可作为步态不对称度的分析方法。袁心一等[54]在一项研究中应用惯性传感器来对帕金森病患者的冻结步态进行实时监测，试验招募12名受试者进行，首先采集患者的运动数据，然后经过信号预处理，特征提取和计算机学习算法做出模型，最后通过对数据集采用十折交叉验证来评估模型准确度和精确度，结果表明该系统能够实时监测帕金森病患者日常生活中的冻结步态发作情况，为医生的诊疗提供定量、可靠的参考依据。YEO等[50]在一项研究中将惯性传感器系统用于步态分析的结果，与使用3D运动捕获系统获得的测量结果进行比较，试验招募30名健康参与者进行，步态分析结果表明参与者的时空(步幅时间、步幅长度、节奏、步长)和运动学(膝关节运动峰)参数没有显著差异，两种系统测量的步态时空参数和运动学参数基本一致。IBRAHIM等[55]在一项研究中使用惯性传感器得到的步态参数对多发性硬化症患者的疲劳程度进行评估，试验纳入49例患者进行，每个参与者的每只脚上都装有一个小型惯性传感器，通过取测试开始和结束之间的平均步态参数之差对步态参数进行归一化，以消除个体差异，结果表明疲劳水平可以使用基于惯性传感器的系统获得的时空学参数进行预测，以评估其疗效。因此，基于惯性传感器的步态分析技术有利于发现异常步态并可广泛应用于术后行为监测，及时发现运动损伤的风险且对后续康复具有指导意义，见图5。
2.2   讨论   评估运动学特征对于正确理解复杂的功能性运动至关重要，研究运动学有助于评估患者的功能恢复情况[56]。目前主要有4种不同的方法来评估膝关节的运动：①3D运动捕捉；②景深摄像机系统；③来自合格运动专业人员的视觉分析；④自我评估[57]，但每种方法都有或多或少的限制。例如，3D运动捕捉系统虽然精确度最好，但需要相当昂贵的红外摄像机来跟踪附着在被摄体上的反射标记，因此，这种类型的运动分析仅适用于专用的实验室环境，很大程度上受到物理空间的限制，而且皮肤安装的标记物也可能会阻碍正常运动；此外，通常需要特定的专业知识来解释处理后的数据并对观察到的结果提出建议[57]，因此，该系统很难用于研究室以外的运动评估。
相比之下，景深摄像机系统成本较低、操作简便，如微软的Kinect，近年来这类系统因其低成本和易于设置而越来越多地用于研究和商业目的。然而，这样的系统却有几个较大缺陷：与3D运动捕捉系统相比该系统往往精确度较低，该系统通过跟踪特定的身体位置并基于这些位置重新创建身体节段来操作；身体部位的交叉、不合适的照明(户外)、衣服的移动和其他人的移动经常会造成混乱并由此导致准确性不佳；用户经常必须进行耗时的手动工作来重新标记身体部分，以确保系统准确性。
在基于临床和健身房的环境中，视觉评估通常用于评估下肢运动。对于新手和专家而言，对人体生物力学的视觉评估是主观且不可靠的。由于以上存在的这些问题，人们对使用可穿戴惯性传感器评估膝关节运动的兴趣与日俱增。通过该设备可以在与“真实世界”训练相关的复杂环境中跟踪各种姿势，而不像基于景深摄相机的系统，后者受到位置、遮挡和照明问题的阻碍。学界也已经做出了很多努力来开发可穿戴传感器，以便于在自由生活条件下实时、连续地监测关节健康和运动。因此，惯性传感器最近被用来分析膝关节运动的一系列组成部分，这包括检测和量化给定练习完成的重复次数、计算在这些重复期间关节的运动范围以及对练习时间进行分析等[58]。 
惯性传感器已广泛应用于评估关节角度、关节受力以及全膝关节置换术后膝关节活动度，膝关节运动学的长时间动态监测，膝关节的运动学评估，膝关节置换人群步态时间参数评估，术后康复监测，前交叉韧带重建术后膝关节负荷，前交叉韧带断裂三维不对称度的步态分析，帕金森患者的行走能力评估，帕金森病冻结步态的实时监测，多发性硬化症患者的疲劳程度评估。

[1] RG A, QLA B. Emotion-relevant activity recognition based on smart cushion using multi-sensor fusion. Information Fusion. 2019;48:1-10. [2] FORTINO G, GALZARANO S, GRAVINA R, et al. A framework for collaborative computing and multi-sensor data fusion in body sensor networks. Information Fusion. 2015;22:50-70. [3] CMA B, WL A, JC A, et al. Adaptive sliding window based activity recognition for assisted livings. Information Fusion. 2020;53:55-65. [4] NCA B, HZ A, SQ A, et al. A sensor-to-segment calibration method for motion capture system based on low cost MIMU - ScienceDirect. Measurement. 2019;131:490-500. [5] TOGNETTI A, LORUSSI F, CARBONARO N, et al. Wearable Goniometer and Accelerometer Sensory Fusion for Knee Joint Angle Measurement in Daily Life. Sensors (Basel). 2015;15(11):28435-28455. [6] HA M, HAN D. The relationship between knee joint angle and knee flexor and extensor muscle strength. J Phys Ther Sci. 2017;29(4):        662-664. [7] FAISAL AI, MAJUMDER S, MONDAL T, et al. Monitoring Methods of Human Body Joints: State-of-the-Art and Research Challenges. Sensors (Basel). 2019;19(11):2629. [8] VALEVICIUS AM, JUN PY, HEBERT JS, et al. Use of Optical Motion Capture for the Analysis of Normative Upper Body Kinematics during Functional Upper Limb Tasks: A Systematic Review. J Electromyogr Kinesiol. 2018:1-15. [9] MOROMIZATO K, KIMURA R, FUKASE H, et al. Whole-body patterns of the range of joint motion in young adults: masculine type and feminine type. J Physiol Anthropol. 2016;35(1):23. [10] ZHANG H, NIU W, ZHANG S. Extremely Stretchable, Stable, and Durable Strain Sensors Based on Double-Network Organogels. ACS Appl Mater Interfaces. 2018;10(38):32640-32648. [11] JEONG SM,  KANG Y,  LIM T, et al. Hydrophobic Microfiber Strain Sensor Operating Stably in Sweat and Water Environment. Advanced Materials Interfaces. 2018;5(24). doi: 10.1002/admi.201801376 [12] PARK S, AHN S, SUN J, et al. Highly Bendable and Rotational Textile Structure with Prestrained Conductive Sewing Pattern for Human Joint Monitoring. Adv Funct Mater. 2019;29(10). doi: 10.1002/adfm.201808369 [13] MONTAZERIAN H, DALILI A, MILANI AS, et al. Piezoresistive sensing in chopped carbon fiber embedded PDMS yarns. Composites Part B Engineering . 2020. doi: 10.1016/j.compositesb.2019.01.090 [14] MILANESE S, GORDON S, BUETTNER P, et al. Reliability and concurrent validity of knee angle measurement: smart phone app versus universal goniometer used by experienced and novice clinicians. Man Ther. 2014; 19(6):569-74. [15] JENNY JY, BUREGGAH A, DIESINGER Y. Measurement of the knee flexion angle with smartphone applications: Which technology is better? Knee Surg Sports Traumatol Arthrosc. 2016;24(9):2874-2877. [16] VOHRALIK SL, BOWEN AR, BURNS J, et al. Reliability and validity of a smartphone app to measure joint range. Am J Phys Med Rehabil. 2015;94(4):325-330. [17] JOHNSON LB, SUMNER S, DUONG T, et al. Validity and reliability of smartphone magnetometer-based goniometer evaluation of shoulder abduction – A pilot study. Man Ther. 2015;20(6):777-782. [18] CASTAEDA JJ, RUIZ-OLAYA AF, LARA-HERRERA CN, et al. Knee Joint Angle Monitoring System Based on Inertial Measurement Units for Human Gait Analysis. 2017. doi: 10.1007/978-981-10-4086-3_173 [19] VARGAS-VALENCIA LS, ELIAS A, ROCON E, et al. An IMU-to-Body Alignment Method Applied to Human Gait Analysis. Sensors (Basel). 2016;16(12):2090. [20] BONNET V, JOUKOV V, KULIC D, et al. Monitoring of Hip and Knee Joint Angles Using a Single Inertial Measurement Unit During Lower Limb Rehabilitation. IEEE Sens J. 2016;16(6):1557-1564. [21] ARGENT R, DRUMMOND S, REMUS A, et al. Evaluating the use of machine learning in the assessment of joint angle using a single inertial sensor. J Rehabil Assist Technol Eng. 2019;6:2055668319868544. [22] CORDILLET S, BIDEAU N, BIDEAU B, et al. Estimation of 3D Knee Joint Angles during Cycling Using Inertial Sensors: Accuracy of a Novel Sensor-to-Segment Calibration Procedure Based on Pedaling Motion. Sensors (Basel). 2019;19(11):2474. [23] OUBRE B, DANEAULT JF, BOYER K, et al. A Simple Low-Cost Wearable Sensor for Long-Term Ambulatory Monitoring of Knee Joint Kinematics. IEEE Trans Biomed Eng. 2020;67(12):3483-3490.  [24] STRAATEN R, WESSELING M, JONKERS I, et al. Discriminant validity of 3D joint kinematics and centre of mass displacement measured by inertial sensor technology during the unipodal stance task. PLoS ONE. 2020;15(5):e0232513. [25] CHIANG CY, CHEN KH, LIU KC, et al. Data Collection and Analysis Using Wearable Sensors for Monitoring Knee Range of Motion after Total Knee Arthroplasty. Sensors (Basel). 2017;17(2):418. [26] TOTARO M, POLIERO T, MONDINI A, et al. Soft Smart Garments for Lower Limb Joint Position Analysis. Sensors (Basel). 2017;17(10):2314. [27] WANG Z, LIU G, TIAN G. Human skeleton tracking using information weighted consensus filter in distributed camera networks//Chinese Automation Congress (CAC). 2018. [28] STETTER B, RINGHOF S, KRAFFT FC, et al. Estimation of Knee Joint Forces in Sport Movements Using Wearable Sensors and Machine Learning. Sensors (Basel). 2019;19(17):3690. [29] SIGWARD SM, CHAN MSM, LIN PE, et al. Characterizing knee loading asymmetry in individuals following anterior cruciate ligament reconstruction using inertial sensors. Gait Posture. 2016;49:114-119. [30] ISLAM MU, MAHMUD H, ASHRAF FB, et al. Yoga posture recognition by detecting human joint points in real time using microsoft kinect//2017 IEEE Region 10 Humanitarian Technology Conference (R10-HTC). IEEE, 2017. [31] AHMADI A, DESTELLE F, UNZUETA L, et al. 3D Human Gait Reconstruction and Monitoring Using Body-Worn Inertial Sensors and Kinematic Modeling. IEEE Sens J. 2016;16(24):8823-8831. [32] SAUL KR, HU X, GOEHLER CM, et al. Benchmarking of dynamic simulation predictions in two software platforms using an upper limb musculoskeletal model. Comput Methods Biomech Biomed Engin. 2015;18(13):1445-1458. [33] JALAL A, KAMAL S, KIM D. A Depth Video-based Human Detection and Activity Recognition using Multi-features and Embedded Hidden Markov Models for Health Care Monitoring Systems. International Journal of Interactive Multimedia and Artificial Intelligence. 2017; 4(4):54. [34] WAN Z, JAILANI R, OMAR AR, et al. Development of MATLAB Kinect Skeletal Tracking System (MKSTS) for gait analysis// 2016 IEEE Symposium on Computer Applications & Industrial Electronics (ISCAIE). IEEE, 2016. [35] STØVE MP, PALSSON TS, HIRATA RP. Smartphone-based accelerometry is a valid tool for measuring dynamic changes in knee extension range of motion. Knee. 2018;25(1):66-72. [36] Bae J, Tomizuka M. A tele-monitoring system for gait rehabilitation with an inertial measurement unit and a shoe-type ground reaction force sensor. Mechatronics. 2013;23( 6):646-651. [37] MAJUMDER S, AGHAYI E, NOFERESTI M, et al. Smart Homes for Elderly Healthcare—Recent Advances and Research Challenges. Sensors (Basel). 2017;17(11):2496.  [38] QIU S, WANG H, LI J, et al. Towards Wearable-Inertial-Sensor-Based Gait Posture Evaluation for Subjects with Unbalanced Gaits. Sensors (Basel). 2020;20(4):1193. [39] 欧攀,吴帅,周锴.基于深度传感器骨骼追踪的快速人体测量方法[J].激光与光电子学进展,2017,54(12):229-236. [40] AZIZ O, PARK EJ, MORI G, et al. Distinguishing the causes of falls in humans using an array of wearable tri-axial accelerometers. Gait Posture. 2014;39(1):506-512. [41] VAN SCHOOTEN KS, PIJNAPPELS M, LORD SR, et al. Quality of Daily-Life Gait: Novel Outcome for Trials that Focus on Balance, Mobility, and Falls. Sensors (Basel). 2019;19(20):4388. [42] SENSINGER JW, INTAWACHIRARAT N, GARD SA. Contribution of prosthetic knee and ankle mechanisms to swing-phase foot clearance. IEEE Trans Neural Syst Rehabil Eng. 2013;21(1):74-80. [43] QIU S, LIU L, ZHAO H, et al. MEMS Inertial Sensors Based Gait Analysis for Rehabilitation Assessment via Multi-Sensor Fusion. Micromachines (Basel). 2018;9(9):442. [44] LEAL-JUNIOR AG, FRIZERA A, AVELLAR LM, et al. Polymer Optical Fiber for In-Shoe Monitoring of Ground Reaction Forces During the Gait. IEEE Sens J. 2018:1-1. [45] VILLENEUVE E, HARWIN W, HOLDERBAUM W, et al. Reconstruction of Angular Kinematics From Wrist-Worn Inertial Sensor Data for Smart Home Healthcare. IEEE Access. 2016;PP(99):1-1. [46] SCHICKETMUELLER A, ROSE G, HOFMANN M. Feasibility of a Sensor-Based Gait Event Detection Algorithm for Triggering Functional Electrical Stimulation during Robot-Assisted Gait Training. Sensors (Basel). 2019;19(21):4804. [47] QIU S, LONG L, ZHAO H, et al. MEMS Inertial Sensors Based Gait Analysis for Rehabilitation Assessment via Multi-Sensor Fusion. Micromachines (Basel). 2018;9(9):442. [48] DONATH L, FAUDE O, LICHTENSTEIN E, et al. Validity and reliability of a portable gait analysis system for measuring spatiotemporal gait characteristics: comparison to an instrumented treadmill. J Neuroeng Rehabil. 2016;13:6. [49] GOMEZ BERNAL A, BECERRO-DE-BENGOA-VALLEJO R, LOSA-IGLESIAS ME. Reliability of the OptoGait portable photoelectric cell system for the quantification of spatial-temporal parameters of gait in young adults. Gait Posture. 2016;50:196-200. [50] YEO SS, PARK GY. Accuracy Verification of Spatio-Temporal and Kinematic Parameters for Gait Using Inertial Measurement Unit System. Sensors (Basel). 2020;20(5):1343. [51] KAYAALP ME, AGRES AN, REICHMANN J, et al. Validation of a Novel Device for the Knee Monitoring of Orthopaedic Patients. Sensors (Basel). 2019;19(23):5193. [52] DE VROEY H, STAES F, WEYGERS I, et al. The implementation of inertial sensors for the assessment of temporal parameters of gait in the knee arthroplasty population. Clin Biomech (Bristol, Avon). 2018;54:22-27. [53] 李玳,于宏,梁子轩,等.前交叉韧带断裂三维不对称度步态分析初探[J].中国康复理论与实践,2018,24(8): 956-962. [54] 袁心一,王家莉,仇一青,等.帕金森病冻结步态的实时监测系统[J].北京生物医学工程,2019,38(2):182-189. [55] IBRAHIM AA, KÜDERLE A, GAßNER H, et al. Inertial sensor-based gait parameters reflect patient-reported fatigue in multiple sclerosis. J Neuroeng Rehabil. 2020;17(1):165. [56] WEYGERS I, KOK M, KONINGS M, et al. Inertial Sensor-Based Lower Limb Joint Kinematics: A Methodological Systematic Review. Sensors (Basel). 2020;20(3):673.  [57] O’REILLY M, CAULFIELD B, WARD T, et al. Wearable Inertial Sensor Systems for Lower Limb Exercise Detection and Evaluation: A Systematic Review. Sports Med. 2018;48(5):1221-1246. [58] GIGGINS O, SWEENEY KT, CAULFIELD B. The use of inertial sensors for the classification of rehabilitation exercises. Annu Int Conf IEEE Eng Med Biol Soc. 2014;2014:2965-2968.

[1]	韦 玮, 李 剑, 黄林海, 兰敏东, 卢显威, 黄绍东. 全膝或全髋关节置换后老年人首次活动时跌倒恐惧的影响因素[J]. 中国组织工程研究, 2021, 25(9): 1351-1355.
[2]	王金军, 邓增发, 刘 康, 何智勇, 余新平, 梁建基, 李 晨, 郭洲洋. 全膝关节置换静脉滴注氨甲环酸联合含氨甲环酸鸡尾酒局部应用的止血效果及安全性[J]. 中国组织工程研究, 2021, 25(9): 1356-1361.
[3]	肖国庆, 刘选泽, 严钰皓, 钟喜红. 后交叉韧带替代型假体全膝关节置换术后屈曲受限的影响因素[J]. 中国组织工程研究, 2021, 25(9): 1362-1367.
[4]	黄泽晓, 杨 妹, 林诗炜, 何和与. 血清n-3多不饱和脂肪酸水平与全膝关节置换早期股四头肌肌力变化的相关性[J]. 中国组织工程研究, 2021, 25(9): 1375-1380.
[5]	吕 振, 白金柱. 基于McKenzie技术的腰椎运动链训练应用于腰椎间孔镜术后分期康复的前瞻性研究[J]. 中国组织工程研究, 2021, 25(9): 1398-1403.
[6]	陈进平, 李 奎, 陈 骞, 郭浩然, 张映波, 蔚 芃. 开放性脊柱手术应用氨甲环酸的疗效及安全性的Meta分析[J]. 中国组织工程研究, 2021, 25(9): 1458-1464.
[7]	黄登承, 王志科, 曹学伟. 体外冲击波疗法治疗中老年膝骨关节炎短期疗效对比的荟萃分析[J]. 中国组织工程研究, 2021, 25(9): 1471-1476.
[8]	仲鹤鹤, 孙鹏鹏, 桑 鹏, 吴术红, 刘 毅. 模拟重建膝关节后外侧复合体核心韧带后膝关节稳定性评估[J]. 中国组织工程研究, 2021, 25(6): 821-825.
[9]	赵中溢, 李勇阵, 陈 峰, 季爱玉. 同期双侧全膝关节置换和单髁置换治疗创伤性关节炎的比较[J]. 中国组织工程研究, 2021, 25(6): 854-859.
[10]	刘少华, 周观明, 陈希聪, 肖可明, 蔡 剑, 刘效仿. 前交叉韧带缺陷对固定平台单髁置换后中期疗效的影响[J]. 中国组织工程研究, 2021, 25(6): 860-865.
[11]	张念军, 陈 茹. 全膝关节置换过程中鸡尾酒疗法联合股神经阻滞的镇痛效果[J]. 中国组织工程研究, 2021, 25(6): 866-872.
[12]	袁 俊, 杨家福. 局部氨甲环酸浸润在非骨水泥全膝关节置换过程中止血效果的评价[J]. 中国组织工程研究, 2021, 25(6): 873-877.
[13]	黄登承, 王志科, 曹学伟. 全膝关节置换中静脉和局部联合或单一应用氨甲环酸：一项随机对照试验的荟萃分析 [J]. 中国组织工程研究, 2021, 25(6): 948-956.
[14]	李 琰, 王 佩, 邓东焕, 严 伟, 李 磊, 姜红江. 电针干预全膝关节置换后疼痛的Meta分析[J]. 中国组织工程研究, 2021, 25(6): 957-963.
[15]	何祥忠, 陈海云, 刘 军, 吕 阳, 潘建科, 杨文斌, 何静雯, 黄俊翰. 富血小板血浆联合微骨折对比微骨折治疗膝关节软骨病变的Meta分析[J]. 中国组织工程研究, 2021, 25(6): 964-969.

世界各国正处在日益加速的老龄化进程中，老年人口的增长带来了多种身体和健康问题，并逐步成为世界范围内一个巨大的社会经济问题，在这些问题中，老年人由于肌肉骨骼疾病而失去行动能力的问题尤为严重。对这些疾病进行人体关节监测和早期诊断将是解决这一问题的强有力方法。智能关节监测系统可以识别和记录重要的相关运动学参数，这类设备可用于持续监测老年人日常活动期间以及术后关节(髋关节、膝盖或脚踝)的活动状态。而在临床环境中准确监测神经肌肉和肌肉骨骼疾病患者的关节运动学可以提供有关疾病状态变化的数据，为后期康复计划和/或药物治疗等提供重要参考。有鉴于此，惯性传感器应运而生。
惯性传感器(inertial sensors，IS)因其与3D运动捕捉等其他评估膝关节运动的系统相比，具有不受光线、空间或其他限制的影响，近年来备受关注。惯性传感器是由加速计、陀螺仪和/或磁力计组成的小型、廉价的传感装置，通过它可准确捕捉肢体运动并输出关节屈伸时的运动学参数以及各个肢体节段的位移数据。通过无线可穿戴传感器和普适计算技术，对肢体运动进行动态监测，可为早期诊断肢体疾病提供一种有效且低成本的解决方案[1-4]。目前该传感器已被广泛应用于膝关节运动过程中关节角度和时间特征的测量，用于监测步态力学、下肢关节活动范围和肌肉力量，并取得了不错的效果。这种可持续监测关节活动和健康的可穿戴设备记录和提取了重要的运动学参数。人体关节功能和运动的分析对于与运动有关的活动至关重要，例如康复、运动医学及人体活动评估和虚拟指导培训[5]。该文就近年来可穿戴惯性传感器在评估膝关节功能中的应用与进展进行综述，并对该领域未来所面临的挑战进行了展望。
中国组织工程研究杂志出版内容重点：人工关节；骨植入物；脊柱；骨折；内固定；数字化骨科；组织工程

1.1   资料来源   
检索人：第一作者。
检索文献时限：时间要求为2005至2021年。
检索数据库：应用计算机在CNKI、万方数据库、PubMed、FMRS数据库检索。
检索词：以“Wearable，Inertial Sensors，Knee Joint，Rehabilitation，Kinesiology”为英文检索词，以“可穿戴，惯性传感器，膝关节，康复，运动学”为中文检索词。
检索文献类型：研究性文献、综述文献。
文献检索策略：检索词的逻辑组配为惯性传感器AND膝关节；可穿戴AND 膝关节；惯性传感器OR 可穿戴AND 膝关节；可穿戴 AND 膝关节OR 康复OR 运动学；Inertial 
sensor AND knee joint；wearable AND knee joint;Inertial 
sensor OR wearable AND knee joint; wearable AND knee joint OR 
rehabilitation OR kinesiology。应用主题词检索进行检索。
检索文献量：计算机初检共得到728篇。
1.2   入选标准
纳入标准：①文章所述内容需与可穿戴、惯性传感器、膝关节、康复、运动学相关的文献；②论据详尽，具有原创性且观点明确的文献；③选择近5-10年由国家行业主管部委或全国行业学会主办、国家一级学会或者国家重点大学主办，并在CSCD，CSSCI引文数据库中本学科领域名列前茅以及名列SCI学术检索工具内的期刊。
排除标准：①与课题内容不一致的文献；②内容较陈旧、结论重复、可信度较低的文章；③与文章相关性不强、借鉴价值不高的文献；④发表时间过早，不是目前最新研究的文献。
1.3   质量评估   根据入选标准，计算机初检共得到728篇研究性文献、综述文献，经资料收集者互相评估纳入文献的有效性和适用性，通过阅读文题和摘要进行初步筛选；排除中英文文献重复性研究，以及内容不相关的文献，最后纳入58篇文献进行综述，其中英文文献55篇，中文文献3篇，对惯性传感器评估人体膝关节功能的研究进展及未来面临的挑战进行全面阐述。文献筛选流程图见图1。

惯性传感器技术在过去20年中取得了巨大进步，将该传感器集成到运动设备或连接到运动员身上，可以评估时间、运动学和动态参数，未来可以将这种新的可穿戴设备整合到可用于家庭环境的运动生物反馈系统中，不仅可以为临床医生提供连续的关节角度测量和远程监控，而且也可以提供一种可靠和动态的方式来评估临床上的关节角度。随着传感器技术的进步，监测过程将变得更容易、更方便、更经济。用于分析膝关节运动的可穿戴惯性传感器系统是一项快速发展的技术，可行的关节监测系统的开发可以使与关节有关的研究(临床和非临床)朝一个新的方向发展。具有微型传感器和无线连接的可穿戴轻型设备在易用性、成本以及测量的准确性和收集临床相关信息方面似乎具有巨大潜力。尽管在过去的几十年里取得了巨大的技术进步，但这些系统中存在的某些限制阻碍了它们在现实中的应用。
(1)软组织伪影是基于3D或基于可穿戴惯性传感器的运动捕获系统常见的潜在误差源。但关于软组织伪影对基于3D系统和可穿戴惯性传感器系统的动态校准任务的影响方面的研究较少，这可能是一个值得探索的有趣前景。故人们可能会质疑报告的某些错误是由于软组织伪影所致，另一个限制在于标记放置错误对计算关节角度的影响，因为标记放置中的小错误可能导致膝关节运动学测量中的显著错误。
(2)通常情况下，惯性传感器会固定牢固，以防止它们较大范围的移动，然而，由于某些原因，并不能完全排除这一误差来源。此外，使用惯性传感器测量身体表面的加速度和角速度时，骨骼的相对运动可能会对测量产生负面影响。
(3)虽然标记通常是根据普遍接受的指导原则放置的，但对于传感器放置或使用什么材料进行放置似乎没有达成共识，部分原因是不同传感器系统的不同特性，所以不同的系统存在不同的校准方法。
(4)基于可穿戴传感器的技术将对人们的日常生活产生深远的影响，尤其是当今世界多数国家都在应对人口老龄化和老年人的康复问题。虽然包括 Google和Nike在内的公司已经开发了多种商用可穿戴智能设备，但是仍然很少有用于医疗目的的现成商用设备，因此，开发用于动态估计人类活动的医疗可穿戴设备在未来将是一个有前途的领域。
综上所述，首先大多数已发表的研究采用了不同的方法来评估惯性传感器的效度和可靠性，这使得比较监测设备变得困难，因此，主要监管机构和临床研究人员应该制定标准的验证标准和方案(包括临床方案)，以评估监测设备的准确性和可靠性，这些标准将为研究人员和消费者开发和使用高质量设备提供指导方针。此外为了获得用户的广泛接受，这些系统需要简单、可穿戴、易于使用、性价比高、非侵入性以及在各种操作平台之间可互操作，因此，需要更多的研究和开发努力，从医学、用户和商业的角度来提高系统的接受度。最后，完全有理由相信，随着科学技术的不断发展，计算机技术及相关算法的不断精进，惯性传感器在未来必将拥有更加广阔的发展前景。   中国组织工程研究杂志出版内容重点：人工关节；骨植入物；脊柱；骨折；内固定；数字化骨科；组织工程

#br#

文题释义：

惯性传感器：由加速度计、陀螺仪和磁传感器以及融合算法(例如卡尔曼滤波器)组成。可以将惯性传感器附加到身体关节部分，用来估计该部分在空间中的运动。当与相邻肢体上的其他惯性传感器结合使用时，可以系统地进行运动学分析。可不依赖任何外部基础设施和其他环境信息，是一种经济高效的选择，并为相关研究提供了新的方向。
膝关节功能评估：主要通过相关设备在膝关节运动过程中对关节角度和时间特征进行测量，用于监测步态力学、下肢关节活动范围和肌肉力量。重点是以有意义的数据(如角度、活动范围、运动和方向)的形式跟踪和记录关节活动，这些数据可以用来估计膝关节健康状态并提供反馈。#br#

中国组织工程研究杂志出版内容重点：人工关节；骨植入物；脊柱；骨折；内固定；数字化骨科；组织工程

智能关节监测系统可以识别和记录重要的相关运动学参数，这类设备可用于持续监测老年人日常活动期间以及术后关节(髋关节、膝盖或脚踝)的活动状态。而在临床环境中准确监测神经肌肉和肌肉骨骼疾病患者的关节运动学可以提供有关疾病状态变化的数据，为后期康复计划和/或药物治疗等提供重要参考。

中国组织工程研究杂志出版内容重点：人工关节；骨植入物；脊柱；骨折；内固定；数字化骨科；组织工程

	阅读次数
	全文
	摘要