人的步行过程具有周期性和规律性的特征,而步态时相是指步行过程中典型姿态变换的时刻,是反映步态习惯、年龄、健康状况等影响身体协调性因素的重要指标。步态时相分析是结合运动学、生理学等多领域学科对人体的骨骼肌肉和神经系统做出评估的一项重要指标。随着模式识别和人工智能研究的不断深入,步态时相识别(也称作步态识别)逐渐应用于社会生活的各个领域,如运动检测、医疗康复、身份识别、仿生机器人等。针对目前步态识别系统的识别方法中采集信号单一、便携性和实时性差等问题,本课题设计了一套嵌入式可穿戴且实时计算的步态识别系统。该系统基于MEMS(Micro Electro Mechanical Systems,MEMS)惯性传感器进行步态信息获取与分析,实现步态时间参数及位置参数的计算和步态时相的识别,并进行运动可视化展示。主要研究内容如下:1)针对传统的基于视频图像、肌电信号、单一传感器的测量局限性和实时性差,本课题设计并实现了多传感器、可穿戴、便携式的步态数据采集平台,用于实时同步采集步态信息。该采集平台基于MEMS惯性信号采集模块实现加速度、角速度等多信号的同步采集;其次,为了提高识别的实时性,本课题选用树莓派4B作为主控系统,可以满足嵌入式步态信号精确通讯和数据高速运算。2)分析各阶段时相特征,基于自适应阈值法检测各个步态时相并计算步态时间参数和位置参数。针对运动形式的改变及随机噪声干扰引起步态时相的检测错误,本课题针对自适应阈值步态时相检测算法进行研究,提高了步态时相检测的准确性,对步态时间参数进行计算;其次,针对加速度信息积分后产生误差积累的问题,设计零速度更新技术检测算法,校正速度信息,计算步态位置参数。3)提取多传感器五种步态时相的特征,采用支持向量机分类器对五个时相完成分类,并设计可视化显示软件展示识别结果。针对步态时相直观分类泛化能力差,本课题提出了基于支持向量机算法的步态时相分类识别方法;针对运动状态可视化问题,基于Open GL开发设计人体三维模型,实现人体步态数据可视化。本课题使用步态数据采集系统进行了步态数据的采集,提取多传感器脚跟着地、脚尖着地、脚跟离地、脚尖离地和摆动中点五个步态时相的均值作为时相特征进行分类识别,分类准确率依次为:90.0%,83.3%,81.7%,90.0%,93.3%,实现了对步态时相的有效识别,为进一步深入研究运动缺陷患者康复治疗及应用奠定了基础。