使用机器学习建模生物个性:对人类步态的研究
Fabian Horst1, Djordje Slijepcevic2, Marvin Simak1
1Department of Training and Movement Science, Institute of Sport Science, Johannes Gutenberg-University Mainz, Mainz, Germany.
Computational and structural biotechnology journal
|July 7, 2023
概括
机器学习模型可以使用来自地面反应力的独特步态特征以99.3%的准确度识别个人. 这种方法提高了对医疗保健应用生物个性的理解.
科学领域:
- 生物力学 生物力学
- 机器学习 机器学习
- 人类运动分析分析
背景情况:
- 人类的步态是一个复杂的生物过程,为健康提供了洞察力.
- 个人步行模式表现出独特的特征,称为步行特征.
- 了解步态个性对于个性化医疗保健至关重要.
研究的目的:
- 使用机器学习来建模个体的步态特征.
- 识别导致个人间步态变化的因素.
- 为了在一个大数据集中证明步态特征的独特性.
主要方法:
- 利用了来自三个公共数据集的数据 (5368条记录,671个人).
- 分析了水平地行走期间的双边地面反应力 (GRF) 信号.
- 应用机器学习算法,包括支持向量机器,随机森林,CNN和决策树.
主要成果:
- 使用所有三个GRF组件识别的个体准确率为99.3%.
- 支持向量机实现了最高的准确性 (99.3%).
- 双边GRF信号的组合提供了一个全面的步态签名.
结论:
- 机器学习有效地模拟了人类独特的步态特征.
- 使用GRF信号的步态分析具有个性化医疗保健的巨大潜力.
- 这种方法可以帮助临床诊断和治疗干预.
