步态是人体运动时双足随时间交替变化而具周期性的有序动作,具有丰富的人体运动行为特征信息。心电信号是人体心脏活动所产生的生物电信号,是反映人体健康生理状态的一种重要信息。两者常被广泛应用于医学诊断和治疗、运动科学以及健康监测等领域。作为人体重要模式的步态特征和心电信号,两者的关联性研究尤为重要,尤其是运动领域中为预防疾病和确保人体运动健康提供重要的价值和依据,但目前两者的关联性仍处于理论阶段,尚缺乏定量的分析研究。本文通过分别研究不同运动模式下步态特征与心电信号的基础之上,建立回归模型,展开两者的定量关联分析研究。本文主要工作如下:(1)针对不同运动模式下采集的人体姿态数据,以每十个步态周期为一子集,提取步态特征。首先,通过步态时空和角度方面的量化,提取了步态周期、步长、步高、步宽、步速、步加速度、最大足趾/足跟外夹角;然后,基于非线性动力学方法提取了近似熵、样本熵、模糊熵、Lempel-Ziv复杂度、C0复杂度;其次,基于小波变换方法提取了小波系数模值特征;最后提出了包含时域和频域步态信息的多步态特征(MGF)进行分析。(2)针对运动心电信号中存在各种噪声的干扰问题,采用了基于自适应双阈值的运动心电信号实时检测算法。首先通过带通滤波器、微分运算、非线性放大以及移动窗口积分的预处理,去除噪声以区分QRS特征波;然后通过双阈值自适应优化算法检测R波位置,并以回溯搜索和不应期检测的方法,防止R波的漏检和误检;该算法提高了检测速度和精度,从而实时准确的定位R波位置,最后提取与步态时间对应的心电RR间隔特征进行分析。(3)分别研究了基于BP神经网络、随机森林、高斯过程回归、正则超限学习机、核超限学习机等算法的人体步态特征与心电RR间隔预测的关联分析回归模型。并以均方根误差、决定系数以及训练时间作为效果评价指标,对心电RR间隔预测的精度和速度进行了实验比较。实验结果表明,基于核超限学习机训练的回归模型能得到最低的关联预测误差和最高的决定系数。本文研究发现,运动的步态速度越快,预测心电RR间隔越准确;同时,MGF优于单个特征,与RR间隔高度关联。