最適化されたウェアラブルIMU構成によるランニング歩容解析：機械学習ベースのセンサーフュージョンアプローチ

科学分野:

• 生体力学
• ウェアラブル技術
• 機械学習

背景:

• ウェアラブルにおける高次元センサーネットワークは、ハードウェアの制限に直面しています。
• 正確な運動データを取得するには、センサー配置の最適化が不可欠です。
• 既存の方法は、センサーフュージョン最適化よりもアクティビティ分類に焦点を当てることがよくあります。

研究 の 目的:

• 機械学習を使用して、17センサーネットワークを「最小最適」サブセットに削減する実現可能性を決定すること。
• センサーフュージョンのための運動連鎖における情報冗長性を体系的に定量化すること。
• ウェアラブルデバイス用の堅牢で低コストなセンサーアレイ設計を開発すること。

主な方法:

• 17個のIMUから収集したデータを25人のランナーに適用し、機械学習（ランダムフォレスト回帰）を適用しました。
• プログラムでセンサー信号をサブセット化して、最小構成をシミュレートしました。
• 時間領域および周波数領域の特徴に対して再帰的特徴除去（RFE）を使用して、重要なセンサー属性を特定しました。

主要な成果:

• 単一の腰仙IMUは、R² > 0.95で、歩行数や垂直方向の振動などのグローバルなランニングパラメータを正確に再構築しました。
• この単一ノードセットアップでは、歩行の非対称性を検出できませんでした（R² = 0.52）。
• 3センサー構成（腰仙部+両足首）は、非対称性検出の限界を解決し、すべてのパラメータで完全なシステム（R² > 0.91）に匹敵する結果を達成しました。

結論:

• ウェアラブルにおけるセンサーアレイ設計を最適化するための機械学習フレームワークを検証しました。
• 提案された3センサーフュージョンは、次世代デバイスの堅牢で低コストなブループリントを提供します。
• 最適化されたセンサー配置は、複雑なディープラーニングモデルなしで高精度を達成できます。