基于主成分分析的压力鞋垫传感器优选策略及其在地面反作用力估计中的应用研究

本研究针对低成本便携式压力鞋垫系统中传感器优化配置的难题，创新性地结合主成分分析（PCA）与人工神经网络（ANN），对比Moticon（16传感器）和Fscan（64传感器）两种鞋垫的性能，提出三种传感器筛选策略。结果表明，Moticon鞋垫在垂直力（Fz）估计中表现更优，且通过PCA策略可分别减少3个（Moticon）和33/30个（Fscan）传感器而不显著影响精度，为可穿戴设备硬件优化提供新思路。

　　

在运动生物力学和临床康复领域，精确测量地面反作用力（Ground Reaction Force, GRF）对评估步态异常、神经退行性疾病（如帕金森病）至关重要。传统力台系统虽精度高，但成本昂贵且受限于实验室环境。近年来，基于压力鞋垫（如Moticon和Fscan）的便携式GRF估计成为研究热点，但现有研究多聚焦算法优化，鲜少关注传感器数量与空间配置对性能的影响。如何在不依赖力台标定的前提下，通过数学方法筛选关键传感器，成为实现低成本、高精度可穿戴设备的核心挑战。

针对这一难题，来自国内的研究团队在《Biomedical Signal Processing and Control》发表论文，系统比较两种鞋垫性能，并提出基于主成分分析（PCA）的传感器优选策略。研究首先通过人工神经网络（ANN）结合PCA评估GRF三向分量（F_x、F_y、F_z）的估计精度，继而开发“逆向（Backward）”、“区块（Block）”和“正向（Forward）”三种传感器筛选策略，最终通过质量函数和双标准验证体系确定最优传感器配置。

关键技术方法包括：1）使用AMTI力台同步采集9名（Moticon）和14名（Fscan）健康受试者的步行数据；2）通过PCA降维保留98%方差的特征；3）构建损失函数（式1）和质量函数（式4）量化传感器重要性；4）采用留一受试者交叉验证（LOSO）评估模型泛化能力；5）优化ANN架构（双隐藏层400-200节点）比较全传感器（PCA-Reduction）与优选传感器（PCA-Selection）方案的性能差异。

研究结果部分：
3.1. Moticon与Fscan鞋垫性能对比
PCA-Reduction结果显示，Moticon在F_z（R=0.949-0.979）和F_x估计中显著优于Fscan，而Fscan在F_y估计（RMSE 22.78-42.35 N）略占优势，表明传感器数量并非精度决定因素。

3.2. 基于PCA的传感器优选
Block策略因质量函数衰减最缓被选为最优方法。分析发现，足跟部传感器（如Moticon的4号、Fscan的51号）对GRF估计贡献最大，而足弓区域传感器因接触压力低可被剔除。值得注意的是，高压力值传感器（如Fscan的56号）未必具有高重要性，凸显PCA筛选的科学价值。

3.3. 传感器精简效果验证
删除3个（Moticon）和30-33个（Fscan）传感器后，PCA-Selection方案在F_z估计中表现更优（RMSE比值0.87-1），其他分量误差波动小于10%，证实传感器精简可行性。

讨论与结论指出，该研究首次系统评估PCA在鞋垫传感器优化中的双重作用：既作为降维工具，又能通过统计特性指导硬件设计。Moticon鞋垫的优异表现可能源于其更高的单传感器灵敏度，而Fscan因需更大触发压力导致数据缺失。研究局限性在于样本仅覆盖正常步态，未来需扩展至病理步态及多样本验证。该成果为可穿戴设备的小型化、低成本化提供方法论支撑，其提出的“质量函数-双标准筛选”框架可推广至其他生物信号采集系统优化。