使用可穿戴的足部压力内,预测行走和慢跑期间的垂直和剪切地面反应力

科学领域:

• 生物力学 生物力学
• 可穿戴技术可穿戴技术
• 机器学习 机器学习

背景情况:

• 脚部压力内为步态分析提供了强力板的便携式替代品.
• 目前的内主要测量垂直力,忽略了关键的剪切力.
• 准确地测量地面反应力 (GRF) 对于康复和体育表现评估至关重要.

研究的目的:

• 从脚部压力数据开发一个循环神经网络模型,用于从脚部压力数据中预测垂直和剪切GRF.
• 评估模型在步行和慢跑期间估计GRF的准确性.

主要方法:

• 收集了同步的地面反应力和足部压力数据,来自16名健康人,他们在步行和慢跑期间收集了这些数据.
• 利用长期短期记忆 (LSTM) 神经网络来建模数据的时间动态.
• 在不同的数据子集上训练,评估和测试LSTM模型.

主要成果:

• 在走路和慢跑过程中,LSTM模型准确地预测了垂直和剪切GRF组件.
• 走路的预测准确度高于慢跑的预测准确度.
• 与垂直和前后部件相比,中侧力预测显示出更高的误差和更低的相关性.

结论:

• 开发的LSTM模型显示了准确的室外GRF估计的前景.
• 这项技术可能会对康复,体育表现分析和游戏应用产生重大影响.
• 进一步细化可能会提高中侧力预测的准确性.