在临床步态分析中，患者的步态分析是使用光学运动捕获器与健康参照组进行对比评估的。而高维步态数据集则很难解释。机器学习可为步行阶段与关节角的视觉分析提供最相关的指导，并且可以提供关于正常与异常步态的量化分析。
步行周期包括支撑相和摆动相，并且可细分为8个阶段：首次触地期、承重反应期、支撑向中期、支撑相末期、摆动前期、摆动相早期、摆动相中期和摆动相末期。临床主要对3个水平的正常和异常步态定量测评感兴趣，包括：步态相位偏差、关节功能偏差、步行周期偏差。
在本文中，来自加拿大滑铁卢大学电子与计算机工程学院的Karg博士等推荐了一种基于隐式马尔科夫模型(HMM)的显式状态持续时间步态分析，该模型可用于对单个受试者或一组受试者的时序数据进行模拟分析，研究结果发表于Neural Syst Rehabil Eng 2014年10月17日电子刊上。
在该研究中，为了使相关步态参数评估便于计算，研究人员使用了显式状态持续时间HMM。HMM的优势在于其可对时序数据进行随机建模，数据集的处理可随时序样本的数量和时序集长度而改变，并且根据参照模型获得的参数生成的时序集可为步态分析提供一种可视化工具。
在该研究中，研究人员对收集到的步态参数数据进行了一系列复杂的统计分析以及模拟重建，并且使用该系统对步行周期的每一阶段进行观察，之后将分析结果与相关标准数据进行了对比。
通过分析比较，研究人员指出，在应用于步态分析时，HMM可以对单步、一人多步或一组跨步数据进行分析。HMM参数也可用于相似步态模型的评估。HMM的观察序列能够形象化地分析单个或一组人群的步态特征。
同时，研究人员指出，根据该随机框架，该模型可以量化正常与异常步态每一阶段、每个关节角的相似与差异之处。
总的来说，在该研究中，关节角的时序可以通过HMM显式状态持续时间而观察到。并且，HMM显性状态持续时间也可对正常参与者和关节炎患者的步幅进行精确地评估。
