膝关节骨性关节炎（OA）是世界上主要的健康威胁之一。由于膝关节骨性关节炎是一种退行性疾病，其严重程度通常随年龄增长而增加。其症状多表现为膝盖红肿痛、上下楼梯痛、坐起立行时膝部酸痛不适等。也会有患者表现肿胀、弹响、积液等，如不及时治疗，则会引起关节畸形，残废。在膝关节部位还常患有膝关节滑膜炎、韧带损伤、半月板损伤、膝关节游离体、腘窝囊肿、髌骨软化、鹅足滑囊炎、膝内/外翻等关节疾病。膝内收力矩是表征膝关节健康的重要标志，并且已证明与膝关节疼痛、关节炎严重程度、软骨损伤的广泛性有关。鉴于这些发现，KAM通常被选为步态再训练控制的目标参数。据报道，步态再训练计划成功地改变了步行模式，降低了KAM。更重要的是，这些步态的改变导致膝盖症状的缓解和身体功能的改善。   然而，经过一系列繁琐的实验和后处理程序后，目前只能在配备了复杂昂贵设备的实验室中测量KAM。有必要开发一种实用的方法，在不使用运动捕捉设备和测力板的情况下准确估计KAM。本研究利用一个惯性测量单元（IMU）传感器和另外六个足底压力传感器的数据作为神经网络模型的输入来实时估计KAM。本研究进一步证明了利用IMU传感器和机器学习算法进行步态再训练的可行性。本研究描述了一个易于使用的可穿戴系统的发展与IMU只估计KAM。比较了两种估计模型，即人工神经网络（ANN）和XGBoost与标准实验室测量之间的一致性。 试验流程图   12名健康参与者和78名膝关节OA患者参与了本研究。所有参与者都能独立行走至少60分钟。一组反射标记牢固地贴在特定的身体标志物上。两个IMU传感器牢牢固定在双侧外踝上。本研究中使用的IMU传感器集成了一个陀螺仪和一个加速度计，采样频率设置为100hz。在标准化的15分钟热身运动后，进行5秒的静态站立试验，以校准传感器。所有参与者被要求在20米的嵌入两个力板的步行道中间行走，在三个条件下行走，即自然行走，脚趾行走，趾向外行走。在行走过程中，用一个10个摄像头的运动捕捉系统在200赫兹的频率下记录标记器的运动轨迹。同步地面反作用力数据在1000hz下采样。对于每个参与者，收集了每种步行模式的5个成功试验中的双腿数据，共收集了15个有效试验。 KAM值   IMU传感器通过嵌入式低通滤波器对输出数据进行预处理。步态周期包括站姿和摆动阶段。由于在摆动阶段没有KAM，为了提高计算效率，剔除了摆动阶段的数据。在这项研究中，实现并比较了XGBoost和ANN对KAM的分析。与使用实验室设置的临床KAM测量进行比较。为了实时接收KAM，将机器学习模型应用到一个跨平台的移动应用中。这个移动应用程序被设计成连接多个传感器并实时接收数据。数据被发送到远程服务器，该服务器集成了IMU数据处理、实时步态周期分割、机器学习模型和实时消息传输模块。当检测到步态周期时，KAM曲线实时显示在app界面上。为特定的参与者训练了一个校准模型。MAE低于0.002。对所有受试者进行重复交叉验证。KAM估计的R2为0.956±0.031。   研究结果表明，人工神经网络模型只比XGBoost模型稍微精确一些。在本研究中，听觉或视觉反馈可在KAM估计后立即用于步态再训练。足底压力传感器的非线性和滞后性限制了本研究中提出的装置的准确性和响应性。本研究评估了两种机器学习方法对KAM的分析，以及一种用于实时步态再训练的移动应用程序。可穿戴式步态再训练系统也使得多模态步态再训练比局限于实验室环境的传统复杂设备更实用。   C. Wang et al., "Real-Time Estimation of Knee Adduction Moment for Gait Retraining in Patients With Knee Osteoarthritis," in IEEE Transactions on Neural Systems and Rehabilitation Engineering