第四章 步态特征分析：人体行走的加速度特征

好，咱们进入正题。

上一章我们聊了怎么采集加速度数据。但原始数据就像一堆乱码，你得从中找出规律。说白了，步态特征分析就是给行走过程做一次「解剖」。

我个人习惯把这一步叫做「读懂身体的节拍器」。你想想看，人走路时，手臂摆动、脚掌落地、身体起伏，这些动作都会在加速度波形上留下痕迹。我们要做的，就是把这些痕迹翻译成机器能理解的参数。

4.1 人体行走的加速度特征

先看一个最直观的现象：你把手机握在手里走路，屏幕上的加速度波形是什么样的？

我当年第一次做这个实验时，盯着波形图看了半天，发现它其实很有规律——

• 垂直方向（Z轴）：波形呈周期性波动。脚离地时加速度减小，脚落地时加速度增大。峰值通常出现在脚跟着地瞬间。
• 前进方向（X轴）：波形相对平缓，但也能看出周期性。身体前倾时加速，后仰时减速。
• 侧向方向（Y轴）：波形幅度最小，主要反映身体左右摇摆。

嗯，这里要注意：不同佩戴位置，波形特征差异很大。手腕、腰部、口袋，各有各的脾气。

为什么会这样？因为人体行走时，垂直方向的运动幅度最大，而且受干扰最小。你手臂摆动可能被其他动作干扰，但身体重心的上下起伏，基本只跟走路有关。

4.2 步态周期分析

步态周期，就是一次完整的迈步过程。从左脚跟着地，到左脚跟再次着地，这就是一个周期。

我习惯把周期拆成两个阶段：

1. 支撑相：脚接触地面的阶段，约占周期的60%
2. 摆动相：脚离开地面的阶段，约占周期的40%

你可能会问：知道这个有什么用？

用处大了。比如你要判断一个人是不是在正常走路，还是拖着脚走。支撑相过长，说明步态异常。我在做老年人跌倒检测项目时，就靠这个特征区分正常行走和蹒跚步态。

从信号上看，一个步态周期对应加速度波形的一个完整波峰-波谷-波峰序列。具体来说：

步态事件	加速度特征	典型幅值（g）
脚跟着地	Z轴出现尖锐波峰	1.2 - 1.8
支撑中期	Z轴回落至1g附近	0.8 - 1.1
脚趾离地	Z轴出现波谷	0.6 - 0.9
摆动中期	Z轴再次上升	1.0 - 1.3

我曾经踩过一个坑：直接用原始数据找波峰。结果发现，有些人走路轻，有些人走路重，波峰高度差异很大。后来我改用归一化后的数据，再结合时间窗口约束，准确率才上来。

4.3 特征参数提取

好了，现在我们知道步态周期长什么样了。接下来要做的，就是从每个周期里提取出有意义的参数。

我个人把特征参数分成三类：

4.3.1 时域特征

这类特征直接从时间轴上提取，计算简单，物理意义明确。

• 步频：每分钟的步数。正常成年人约100-120步/分钟。
• 步长：一步的距离。可以通过步频和速度推算。
• 步态周期时间：一个完整周期的时间，约0.5-0.7秒。
• 支撑相占比：支撑相时间/周期时间。正常约60%。

代码实现也很直接：

def extract_time_features(acc_z, sample_rate):
    """
    提取时域特征
    acc_z: 垂直方向加速度数据
    sample_rate: 采样率（Hz）
    """
    # 找波峰（步态事件）
    peaks, _ = find_peaks(acc_z, distance=sample_rate*0.3)
    
    # 步频
    step_count = len(peaks)
    duration = len(acc_z) / sample_rate
    cadence = step_count / duration * 60  # 步/分钟
    
    # 步态周期时间
    if len(peaks) > 1:
        cycle_times = np.diff(peaks) / sample_rate
        avg_cycle_time = np.mean(cycle_times)
    else:
        avg_cycle_time = 0
    
    return {
        'cadence': cadence,
        'avg_cycle_time': avg_cycle_time,
        'step_count': step_count
    }

4.3.2 频域特征

时域特征够用了？不一定。有些步态信息藏在频率里。

比如，正常行走的步频集中在1.5-2.5Hz。如果你在频谱上看到3Hz以上的能量很高，那可能不是走路，是跑步或者抖动。

常用的频域特征：

• 主频：频谱中能量最大的频率，对应步频。
• 频谱能量：特定频段内的能量总和。
• 频谱熵：反映步态的规律性。规律行走时熵值低，混乱步态时熵值高。

4.3.3 统计特征

这类特征不依赖周期分割，直接从一段数据里算统计量。

• 均值：反映整体趋势。走路时Z轴均值接近1g。
• 标准差：反映波动幅度。走路时约0.2-0.4g。
• 偏度：反映波形对称性。正常步态偏度接近0。
• 峰度：反映波形的尖锐程度。脚跟着地冲击大时，峰度值高。

嗯，这里要注意：统计特征虽然简单，但容易受噪声影响。我建议先做滤波，再算统计量。

def extract_stat_features(acc_z):
    """
    提取统计特征
    """
    features = {
        'mean': np.mean(acc_z),
        'std': np.std(acc_z),
        'skewness': skew(acc_z),
        'kurtosis': kurtosis(acc_z),
        'max': np.max(acc_z),
        'min': np.min(acc_z),
        'range': np.max(acc_z) - np.min(acc_z)
    }
    return features

4.4 特征选择与优化

特征不是越多越好。我见过有人一口气提取了50多个特征，结果模型反而过拟合了。

我的建议是：

1. 先选时域特征：步频、周期时间、支撑相占比，这三个基本够用。
2. 再补频域特征：如果时域特征区分度不够，加主频和频谱能量。
3. 最后考虑统计特征：作为辅助，不要喧宾夺主。

好了，这一章的内容就到这里。步态特征分析是计步算法的核心环节，你掌握了这些特征，就等于拿到了打开步数计算大门的钥匙。下一章，我们会把这些特征用起来，真正实现步数计数。