基于智能手表的预测单步和步向步步行结果使用基于回归的机器学习

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:

• 步行时空变异性对于跌倒风险评估至关重要.
• 用户更喜欢佩戴在手腕上的传感器,但在步态分析中未得到充分利用.
• 现有的方法通常需要在身体的其他位置安装传感器.

研究的目的:

• 开发和评估一个智能手表应用程序,用于监测步态的时空参数.
• 评估使用消费级智能手表的惯性测量单元 (IMU) 进行步态分析的可行性.
• 为了比较不同的机器学习模型,从IMU数据中预测步行结果.

主要方法:

• 使用来自Apple Watch Series 5的IMU数据进行训练的机器学习模型 (线性,,SVM,随机森林,xGB)
• 收集了41名年轻成年人在跑步机上以三种不同的速度行走的步态数据.
• 针对单步和时空变化度量的光电子系统验证模型性能.

主要成果:

• 极端梯度增强 (xGB) 模型在预测单步步行结果方面表现出色 (7-11%的误差,0.60-0.86 ICC).
• 支持向量机 (SVM) 模型在空间时间变化方面表现最好 (18-22%的误差,0.47-0.64 ICC).
• 模型有效地捕捉了与时空步行参数的速度相关的变化.

结论:

• 智能手表IMU与机器学习相结合,可用于监测步行的时空参数.
• 这种方法支持远程和可访问的步态分析,可能有助于降落风险监测.
• 进一步的研究可以完善这些模型用于临床应用和各种人群.