行走过程中躯干的运动学与上身加速度衰减的关系

《Journal of Biomechanics》：Kinetics of the trunk in association with the attenuation of upper body acceleration during walking

躯干屈伸转矩功率与步态比例对头部冲击衰减的影响：通过加速度幅值和关节功率分析发现，当步行比例（步长/步频）偏离推荐值时，下躯干前后向加速度显著变化，且屈伸转矩的负功率与加速度呈负相关，证实躯干在冲击吸收中的作用，但高步行比例下头部加速度更显著。

　　

佐久間徹|木村健作

日本筑波工业大学健康科学学院，筑波市

摘要

在行走过程中，身体各部位的加速度幅度从脚踝到头部逐渐减小。减震的主要功能由腿部承担，躯干也起到一定作用。本研究的目的是探讨躯干在行走过程中吸收冲击的能力。20名健康参与者以他们偏好的步长/步频比（WR）以恒定速度行走。这些非自然步长/步频比包括比偏好步频高/低10%、15%和20%的情况。通过测量头部的均方根加速度（RMS_H）和躯干下部的均方根加速度（RMS_T）、从RMS_T到RMS_H的衰减系数，以及躯干关节的扭矩和功率来评估减震效果。结果显示，在高步长/步频比（较慢的步频）下，头部和躯干下部的RMS_H显著增加（p<0.05）；而在低步长/步频比（较快的步频）下，这两个值显著减小（p<0.05）。此外，在高步长/步频比下，衰减系数也显著降低（p<0.05）。躯干关节屈伸扭矩的平均负功率与躯干下部的RMS_T呈显著负相关（p<0.001）。这些结果表明，躯干屈伸扭矩在减震过程中起作用，并且其负功率会随着躯干下部RMS_T的增加而增加。然而，由于躯干的减震能力有限，高步长/步频比时头部的RMS_H变化更为明显。

引言

在行走过程中，身体各部位的加速度幅度从脚踝到头部逐渐减小，因此减少对头部的冲击是步态的重要要求（Ratcliffe和Holt，1997年）。减震的主要功能由腿部承担，躯干也参与其中。现有研究表明，随着年龄增长（Kavanagh等人，2004年；Menz等人，2003a年；Mazza等人，2008年），以及患有神经系统疾病（如帕金森病（Buckley等人，2015年；Cole等人，2017a年；Cole等人，2017b年）、脑瘫（Summa等人，2016年）、中风（Bergamini等人，2017年）和自闭症谱系障碍（Armitano等人，2020年）等情况下，躯干吸收冲击的能力会下降。

Prince等人（1994年）利用肌电图（EMG）研究了行走过程中从骨盆到头部的加速度衰减情况，发现背部肌肉从上到下依次被激活，从而首先稳定头部。其他EMG研究也证实了躯干肌肉激活存在时间差（de Sèze M.等人，2008年；Ivanenko等人，2006年）。然而，EMG只能测量躯干中有限数量的肌肉。另一种估算肌肉激活的方法是逆动力学方法。通过测量躯干关节的扭矩，可以估计躯干肌肉群在三维空间中的整体活动情况。由于关节扭矩产生的功率可以反映身体内机械能的吸收或产生情况，因此有望深入了解行走过程中的加速度衰减机制。然而，据我们所知，基于关节扭矩和功率来研究行走过程中从躯干下部到头部的加速度衰减的情况仍不充分。

本研究的目的是探讨健康个体在恒定速度下、不同步长/步频比行走时躯干吸收冲击的能力。相关文献表明，当远端部位的减震效果不佳时，近端部位会补偿以在冲击到达头部之前有效减弱其影响（Ratcliffe和Holt，1997年）。基于前述研究，我们提出假设：随着躯干下部加速度幅度的增加，躯干关节扭矩的负功率会增加。

方法

本文的实验方案和收集的原始数据与Sakuma等人（2025年）的研究相同；因此，此处仅简要说明相关内容。

结果

不同步长/步频比对头部和躯干下部的RMS_H（AP方向）（χ²(6) = 94.4，p<0.001）、RMS_T（AP方向）（χ²(6) = 83.8，p<0.001）以及VT方向（χ²(6) = 22.7，p<001）有显著影响。多重比较显示，除了+20%的情况外，偏好步长/步频比与其他所有条件（?20%、?15%、?10%、+10%、+15%）相比，头部和躯干下部的RMS_H和RMS_T存在显著差异（图2）。AP方向的衰减系数也有显著差异（χ²

讨论

本研究的目的是探讨健康个体在恒定速度下、不同步长/步频比行走时躯干吸收冲击的能力。本研究最重要的发现是，躯干关节屈伸扭矩的平均负功率与躯干下部RMS_T在AP方向上呈显著负相关（图6）。这一结果支持了前述假设。

结论

本研究通过关节扭矩和功率分析证实了行走过程中从躯干下部到头部的加速度衰减机制。研究结果总结如下：1）躯干屈伸扭矩在减震过程中起作用；2）随着躯干下部加速度幅度的增加，躯干关节屈伸扭矩的负功率也会增加。

关于写作过程中生成式AI和AI辅助技术的声明

在准备本文时，作者使用了DeepL工具来提高手稿的可读性和语言表达，但并未使用AI技术生成文本。使用该工具后，作者对内容进行了必要的审查和编辑，并对发表文章的内容负全责。

未引用参考文献

de Sèze等人，2008年；Horiuchi和Nakashima，2024年。

CRediT作者贡献声明

佐久間徹：写作——审稿与编辑、初稿撰写、数据可视化、验证、项目监督、软件使用、资源协调、方法设计、研究实施、资金申请、数据分析、概念构建。木村健作：写作——审稿与编辑、资源协调、研究实施、数据管理。

资助

本研究得到了日本学术振兴会（JSPS KAKENHI）[项目编号19 K14311]和JSPS KAKENHI [项目编号23 K02705]的资助。

利益冲突声明

作者声明不存在可能影响本文研究的已知财务利益或个人关系。

致谢

作者感谢Konishi Mika博士在数据收集方面提供的宝贵帮助，同时感谢Iguchi Masaki博士在语言表达方面给予的支持。