分形分析揭示步态的独立复杂性与可预测性

运动是一项数十年来一直被评估的自然任务，并被用作突出各种来源损伤的代理指标。大多数研究采用了经典的线性分析方法来分析时空步态参数。在此，我们使用更先进但同样实用的非线性技术来分析健康受试者的步态时间序列。我们旨在寻找比以往使用的指标更敏感的、与时空步态参数相关的指标，以期更好地识别异常运动。我们分析了34名参与者在改变行走方向（向前与向后行走）以及有无直流电前庭刺激条件下的大尺度步幅间隔时间序列和平均步宽。计算了 Hurst 指数 $\alpha$ 和 Minkowski 分形维数 $D$，并将其分别解释为表达步幅间隔时间序列可预测性和复杂性的指标。我们表明，$\alpha$ 和 $D$ 能够准确捕捉随实验条件变化的步幅间隔变化。向前行走表现出最大的复杂性 ($D$)，从而具有最大的适应性。相反，任何扰动（向后行走和/或前庭系统刺激）都会降低复杂性。此外，向后行走通过更刻板的步幅间隔模式提高了可预测性 ($\alpha$)，而直流电前庭刺激则降低了可预测性。本研究证明了 Hurst 指数和分形维数在改进步态分类方面的互补能力。这些整体指标可以在最优运动复杂度框架内得到轻松解释。我们的研究成果可立即应用于康复、诊断和分类程序。