本期发布术语热词：步态干预交互（Gait Intervention Interaction）。
步态干预交互（Gait Intervention Interaction）
作者：李信金、王文婕、孙伟、田丰（中国科学院软件研究所）
InfoBox:
研究背景
步态是人体运动能力、神经控制能力和日常生活独立性的重要体现。受神经系统疾病、肌肉骨骼损伤、老龄化退行性变化等因素影响，许多人群会出现步速下降、步幅缩短、节律紊乱、左右不对称、平衡能力下降、起步困难或冻结步态等步态障碍[1], [2]。这类问题不仅影响个体的行走能力和生活质量，也会增加跌倒风险和照护负担[3], [4]。因此，如何通过有效的训练和干预改善步态功能，是智慧医疗和人机交互领域共同关注的重要问题。
传统步态干预主要来源于医学康复实践，通常由医生或治疗师根据患者功能状态制定训练方案，并通过口头指导、地面标记、节拍器、音乐节律、辅助器具等方式帮助患者调整步行模式[5-8]。这类方法在临床康复中具有较长应用历史，能够为患者提供相对标准化的空间或时间线索[9]。然而，步态障碍具有明显的个体差异和动态变化特征。不同患者的异常表现、运动能力、疲劳状态、认知负荷和训练需求并不相同，同一患者在不同时间和场景下的步态状态也会发生变化，传统标准化干预方式往往难以及时感知这些变化，也难以根据实时步态表现动态调整反馈[10-12]。
随着人机交互、可穿戴感知的发展，步态干预逐渐从医学中的标准化提示方法，发展为以用户状态感知、交互意图理解、多通道反馈和自适应调节为核心的智能交互过程[13-18]。从人机交互角度看，步态干预交互并不是简单地向用户提供提示，而是将用户的身体状态作为交互输入，将干预反馈作为交互输出，通过持续的人机闭环帮助用户感知、理解并调整自身运动行为[14], [15], [18]。它体现了人机交互从“指令驱动”向“状态驱动”、从“设备操作”向“能力增强”的转变。
研究概况
步态干预交互最早可以追溯到医学康复中的外部线索训练。临床实践中，治疗师常利用地面标记、视觉目标、节拍器、节律音乐或口头指令等标准化线索，引导步态障碍人群调整步幅、步频、节律和平衡状态[5-7]。这一阶段的核心问题是“哪种提示能够改善步态”，干预方式主要依赖人工经验和固定训练方案，系统本身通常不具备实时感知和动态调节能力[9-12]。
随着传感器和计算技术的发展，步态干预开始引入运动状态感知。研究者利用摄像机、压力平台、惯性传感器、智能鞋垫和可穿戴设备采集步态数据，并从中提取步速、步幅、步频、步态周期、左右对称性、支撑相和摆动相等参数[11, 12]。基于这些客观数据，系统能够识别冻结步态、步态不稳定、节律异常等问题，并进一步触发实时反馈或辅助干预[13-15]。这一阶段使步态干预由“人工观察和固定提示”发展为“基于数据的状态感知和反馈支持”。
在人机交互的发展推动下，步态干预进一步从“感知步态”发展为“理解步态”。系统不仅关注用户走得快不快、步幅大不大，还开始分析用户当前处于何种运动阶段、是否出现异常趋势、是否需要提示以及适合何种反馈方式[16-19]。此时，步态干预交互开始融合用户状态建模、情境感知、意图理解和任务目标分析，使系统能够根据不同训练场景和用户需求生成更合适的干预策略。这使步态干预交互的研究重点从“提示是否有效”进一步转向“何时提示、如何提示、对谁提示、提示后如何适应”。
近年来，步态干预交互逐渐形成闭环自适应范式。系统通过实时采集步态数据，动态判断用户运动状态，并利用视觉、听觉、体感或多通道组合反馈进行干预；用户根据反馈调整动作后，系统继续评估调整效果，并进一步优化提示参数[20-23]。由此，步态干预从早期固定的标准化线索，发展为面向个体差异、实时状态和长期训练过程的智能交互系统。
总体来看，步态干预交互的发展经历了从医学康复中的标准化提示，到基于传感器的步态状态感知，再到面向用户状态理解和自适应反馈的交互闭环演进。其研究重点也逐渐从“哪种提示有效”转向“何时提示、如何提示、对谁提示、提示后如何适应”，体现出人机交互技术在运动能力增强和智慧医疗中的重要价值。
未来发展
未来的步态干预交互将进一步向真实场景、长期使用、智能适应和临床转化方向发展。
首先，步态干预交互需要从实验室环境走向家庭、社区和日常生活场景。真实环境中存在地面复杂、光照变化、障碍物干扰、设备佩戴不稳定等问题，因此系统需要具备更加鲁棒的步态感知和安全判断能力。
其次，未来系统需要实现更强的个性化和自适应能力。步态障碍人群在疾病类型、运动能力、异常表现和感官偏好上差异显著，系统应能够根据个体步态特征、训练目标和实时表现，动态调整提示形式、反馈强度和训练难度。
第三，多通道交互反馈仍是重要方向。视觉、听觉、体感等通道具有不同优势，未来研究需要进一步探索多通道之间的协同机制，避免反馈冗余和认知负担过高，使干预信息更加自然、清晰且易于执行。
第四，步态干预交互需要结合人工智能和临床知识，形成可解释的智能决策机制。系统不仅要能够识别异常步态，还要解释为什么需要干预、应如何干预以及干预是否有效，从而提高医生、患者和照护者对系统的信任。
总体而言，步态干预交互是人机交互与智慧医疗深度融合的重要方向。它以步态障碍人群的运动状态为核心，通过感知、理解、反馈和适应构建闭环干预过程，为智能康复、居家训练和运动能力增强提供了新的技术路径。
参考文献
[1].Nonnekes J, Goselink R J M, R??i?ka E, et al. Neurological disorders of gait, balance and posture: a sign-based approach[J]. Nature Reviews Neurology, 2018, 14(3): 183-189.
[2].王华龙,王金涛,李建平,等.功能性运动障碍的诊断与治疗中国专家共识（第二版）[J].中国现代神经疾病杂志,2023,23(12):1061-1071.
[3].Balachandar A, Sorrento G, Moraud E M, et al. Neuromodulation for gait disorders[J]. Nature Reviews Bioengineering, 2026: 1-17.
[4].中华医学会神经病学分会帕金森病及运动障碍学组,中国医师协会神经内科医师分会帕金森病及运动障碍学组.中国帕金森病步态障碍管理专家共识[J].中华神经科杂志,2025,58(03):228-243.
[5].Collimore A N, Roto Cataldo A V, Aiello A J, et al. Autonomous control of music to retrain walking after stroke[J]. Neurorehabilitation and Neural Repair, 2023, 37(5): 255-265.
[6].Hutin E, Poirier T, Meimoun M, et al. Model-based cueing-as-needed for walking in Parkinson's disease: A randomized cross-over study[J]. Revue Neurologique, 2024, 180(8): 798-806.
[7].Cavanaugh J T, Porciuncula F, Zajac J A, et al. Gait Responses in People with Parkinson Disease During Autonomous Closed-loop Rhythmic Auditory Stimulation: An Exploratory Analysis[J]. Neurorehabilitation and neural repair, 2025, 39(8): 666-676.
[8].Ortlieb A, Bouri M, Baud R, et al. An assistive lower limb exoskeleton for people with neurological gait disorders[C]//2017 International Conference on Rehabilitation Robotics (ICORR). IEEE, 2017: 441-446.
[9].Ahn D H, Chung H, Lee H W, et al. Smart gait-aid glasses for Parkinson's disease patients[J]. IEEE Transactions on Biomedical Engineering, 2017, 64(10): 2394-2402.
[10].Ghai S, Ghai I, Schmitz G, et al. Effect of rhythmic auditory cueing on parkinsonian gait: a systematic review and meta-analysis[J]. Scientific reports, 2018, 8(1): 506.
[11].Bachlin M, Plotnik M, Roggen D, et al. Wearable assistant for Parkinson’s disease patients with the freezing of gait symptom[J]. IEEE Transactions on Information Technology in Biomedicine, 2009, 14(2): 436-446.
[12].Zhang W, Ling Y, Chen Z, et al. Wearable sensor-based quantitative gait analysis in Parkinson’s disease patients with different motor subtypes[J]. npj Digital Medicine, 2024, 7(1): 169.
[13].Fino P C, Mancini M. Phase-dependent effects of closed-loop tactile feedback on gait stability in Parkinson’s disease[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2020, 28(7): 1636-1641.
[14].Mazilu S, Blanke U, Hardegger M, et al. GaitAssist: a daily-life support and training system for parkinson's disease patients with freezing of gait[C]//Proceedings of the SIGCHI conference on Human Factors in Computing Systems. 2014: 2531-2540.
[15].Casamassima F, Ferrari A, Milosevic B, et al. Wearable audio-feedback system for gait rehabilitation in subjects with Parkinson's disease[C]//Proceedings of the 2013 ACM conference on Pervasive and ubiquitous computing adjunct publication. 2013: 275-278.
[16].Kim J, Porciuncula F, Yang H D, et al. Soft robotic apparel to avert freezing of gait in Parkinson’s disease[J]. Nature medicine, 2024, 30(1): 177-185.
[17].Van den Brand R, Heutschi J, Barraud Q, et al. Restoring voluntary control of locomotion after paralyzing spinal cord injury[J]. science, 2012, 336(6085): 1182-1185.
[18].Li X, Wang W, Wang K, et al. From Preference to Performance: Patient-Centered Design of Multimodal Cueing in Parkinson’s Disease Gait Training[C]//Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems. 2026: 1-21.
[19].李信金,王文婕,王凯,等.视听协同的交互式步态干预训练[J].软件学报, 2026,37(05): 2006-2023. DOI:10.13328/j.cnki.jos.007540.
[20].Klaver E C, Van Vugt J P P, Bloem B R, et al. Good vibrations: tactile cueing for freezing of gait in Parkinson’s disease[J]. Journal of neurology, 2023, 270(7): 3424-3432.
[21].Stuart S, Vitorio R, Graham L, et al. Digital Cueing With Laser Shoes Does Not Improve Walking in Parkinson’s Disease: Evidence Across Disease Severity and Freezing Status[J]. Neurorehabilitation and Neural Repair, 2025, 39(12): 997-1007.
[22].Awad L N, Jayaraman A, Nolan K J, et al. Efficacy and safety of using auditory-motor entrainment to improve walking after stroke: a multi-site randomized controlled trial of InTandemTM[J]. Nature communications, 2024, 15(1): 1081.
[23].Hutchinson K, Sloutsky R, Collimore A, et al. A music-based digital therapeutic: proof-of-concept automation of a progressive and individualized rhythm-based walking training program after stroke[J]. Neurorehabilitation and neural repair, 2020, 34(11): 986-996.
作者介绍
李信金
中国科学院软件研究所
邮箱：lixinjin2022@iscas.ac.cn
研究领域：人机交互，步态干预
王文婕
中国科学院软件研究所
邮箱：wangwenjie24@mails.ucas.ac.cn
研究领域：人机交互，步态干预
孙伟
中国科学院软件研究所
邮箱：sunwei2017@iscas.ac.cn
研究领域：人机交互，人工智能
田丰
中国科学院软件研究所
邮箱：tianfeng@iscas.ac.cn
研究领域：人机交互，人工智能
计算机术语审定委员会及术语平台介绍：
计算机术语审定委员会(Committee on Terminology)主要职能为收集、翻译、释义、审定和推荐计算机新词，并在CCF平台上宣传推广。这对厘清学科体系，开展科学研究，并将科学和知识在全社会广泛传播，都具有十分重要的意义。术语众包平台CCFpedia的建设和持续优化，可以有效推进中国计算机术语的收集、审定、规范和传播工作，同时又能起到各领域规范化标准定制的推广作用。新版的CCFpedia计算机术语平台(http://term.ccf.org.cn)将术语的编辑运营与浏览使用进行了整合，摒弃老版中跨平台操作的繁琐步骤，在界面可观性上进行了升级，让用户能够简单方便地查阅术语信息。同时，新版平台中引入知识图谱的方式对所有术语数据进行组织，通过图谱多层关联的形式升级了术语浏览的应用形态。
点击“阅读原文”，加入CCF。