歩容解析

これには速度、リズムの長さ、ピッチ、などが含まれる。測定方法として、

• ストップウォッチと床の印を使う
• 圧力マットの上を歩く
• 床上2〜3センチの平面の一定範囲をレーザー・センサーでスキャンする[8][9]
• 慣性センサーで得られた3Dジャイロスコープと3D加速度センサーのデータをソフトウェアで解析する

• クロノフォトグラフィーは動作を記録する最も基本的な手法である。一枚の写真で歩行動作を分析しやすくするため、ストロボ光をあらかじめ決まった間隔で発光させるという手法がかつて使われた[10]。
• 単一もしくは複数のカメラで記録したシネフィルムやビデオレコーダは、関節の角度や屈伸速度を計測するのに使うことができる。この手法はソフトウェア解析の発達によって支えられ、解析操作は極めて簡略化され、二次元だけにとどまらず三次元的な解析も可能になった。
• 自分で発光せず反射光を利用するマーカー（一般的に鏡面状の球）を使ったシステムは、複数のカメラ（一般的に5〜12台）を同時に使って被験者の動作を正確に計測できる。これらのカメラは強力なストロボ（一般的に赤色から赤外線にかけての波長）を利用し、体に取り付けたマーカーからの反射光を、特定の波長のみ透過させるフィルタ越しに記録する。マーカーは、解剖学的に要点となる部位に配置される。光源と反射マーカーとの角度および時間推移に基づき、そのマーカーの空間における三角測量が可能になる。そしてソフトウェアが、それぞれの部位に割り当てられたマーカーから、三次元的な軌跡を割り出し、さらにコンピュータ・モデルに従って関節の角度を計算する[11]。この手法は映画制作におけるモーションキャプチャでも使われている[12]。
• 発信式マーカーを使ったシステムは、反射式のそれと似ているが、それらのマーカーは赤外線のシグナルに反応してそれぞれが信号を発する。この信号によって、各マーカーの位置が三角測量で求められる。反射式に比べた長所として、それぞれのマーカーがあらかじめ割り振られた波長を発信するため、それで各マーカーを識別できることである。[13]
• MEMS による慣性センサー、生体力学モデル、センサー・フュージョン・アルゴリズムに基づいた（カメラ無しの）システムがある。全身あるいは体の一部に対応したこうしたシステムは、照明条件に関係なく屋内・屋外で使用できる[14][15]。
• マーカーを使わないマーカーレス・システムは、一つもしくは複数の2.5次元深度のセンサーを使い、一続きの画像から関節の位置を直接計算する。マーカーレス・システムは自然な環境で非侵襲的な人間の歩容解析を可能にする。マーカーを使わないことは、歩容計測と解析技術の応用範囲を拡大し、計測の準備時間を大きく短縮させ、あらゆる場面で能率的で正確な動作評価を可能にする。現在、主なマーカーレス・システムは、一つもしくは複数のカメラを備えたスタジオで撮影した動画を元にモーションキャプチャするというものである[16]。また今日では、深度センサーをもとにした医療用の歩容解析が広まりつつある。深度センサーは深度情報を計測可能で、2.5次元深度の画像が得られるため、前景/背景の識別を効果的に簡略化でき、単眼カメラであっても被験者のポーズを明確に捉えられる[17]。

被験者が動作する時の力学的な作用を解析する。

歩行時の筋肉活動のパターンを解析する。

「病的な歩容」は何らかの病理の代償作用を反映したものであるか、それ自身に症状を引き起こす原因がある。歩容解析の施設では、脳性麻痺や脳卒中の患者がよく見られる。歩容の研究は、リハビリテーション工学において、診断・介助の方針を立案し、将来的な回復を助けることに役立っている。医療分野を離れて、歩容解析はプロスポーツ選手のトレーニングで、運動パフォーマンスを最適化し発展させるためにも使われている。

歩容解析技術により、歩行障害や、脊髄・関節の矯正整形外科手術の効果を評価できる。脳性麻痺の治療の選択肢として、痙攣する筋肉をボトックスで意図的に麻痺させたり、特定の腱を伸ばしたり移植したり切除したりするというものがある。曲がった骨格の矯正には骨切り術が使われる。

歩容を観察することはカイロプラクティックとオステオパシーの診断でも有用である。歩行の障害は骨盤や仙骨のアンバランスを示しているかもしれないからだ。仙骨と腸骨は生体力学的には互いに入れ違いに動くため、両者が仙棘靭帯あるいは仙骨結節靭帯を介して接合すると、腰の回転につながることがある。カイロプラクティックやオステオパシーのドクターは、骨盤の傾きを見分けるために歩容を観察し、のびのびとした歩行動作を取り戻せるよう様々な施術を行うのである。カイロプラクティックでの骨盤矯正は歩行動作の回復法として流行であり[18][19]、オステオパシック・マニピュレイト・セオリー (OMT) も同様である[20][21]。

歩き方の些細な癖は、個人を識別する生体識別情報として使える[22]。パラメタとしては、時間・空間的なもの（歩幅、歩行速度、歩調）と、運動学的なもの（腰・膝・足首の関節の回転、それらの関節の平均的な角度、太腿・胴体・足の角度）に分けられる。歩幅と身長には高い相関関係がある[23][24]。

これらのアプローチは、あらかじめ決まったモデルを基盤としている。別の手法として、白黒二色の歩行シルエットを時間順に並べて個人を識別する、外観に基づいたアプローチもある。例えば、一巡分の歩行シルエットを三次元テンソルのデータとみなし、多重線形主成分分析のような多重線形部分空間学習を、分類の学習手法として活用できる。

人間以外の動物の歩容研究により、歩行のメカニズムに関する多くの洞察が得られており、それらには、特定の種の生態や広い意味での歩行を理解する上での様々な示唆が含まれている。