基于DPF-LSTM-CNN使用可穿戴惯性传感器的新型步行阶段识别方法
1School of Mechanical and Aerospace Engineering, Jilin University, Changchun 130025, China.
Sensors (Basel, Switzerland)
|July 14, 2023
概括
这项研究引入了一种新的步态阶段识别方法,使用了长短期记忆 (LSTM) 和卷积神经网络 (CNN) 模型的组合. 该模型实现了高精度,证明了其对康复设备的有效性.
科学领域:
- 生物医学工程 生物医学工程
- 机器学习 机器学习
- 康复技术 康复技术 康复技术
背景情况:
- 步行阶段识别对于开发先进的康复设备至关重要.
- 准确的步态分析有助于个性化的患者康复和监测.
研究的目的:
- 提出和评估一种使用LSTM-CNN神经网络模型组合的新型步行阶段识别方法.
- 调查不同惯性测量单位 (IMU) 组对识别性能的影响.
主要方法:
- 开发了一种步态阶段识别模型,集成时间序列的长短期记忆 (LSTM) 和特征提取的卷积神经网络 (CNN).
- 使用无线传感器系统,在下肢位置放置6个IMU.
- 评估了模型在四个不同的步态阶段的性能:支持右脚跟冲击 (SU-RHS),左腿游泳 (SW-L),左脚跟冲击支持 (SU-LHS) 和右腿游泳 (SW-R).
- 引入了一个数据预过LSTM-CNN (DPF-LSTM-CNN) 模型,用于增强步态识别.
主要成果:
- 在LSTM-CNN模型中,使用所有六个IMU的数据,实现了高识别精度 (95.03%) 和宏F1得分 (95.29%).
- 最佳的相位识别精度包括SU-RHS (96.49%),SW-R (95.64%),SW-L (97.22%与四个IMU),和SU-LHS (97.86%与四个IMU).
- DPF-LSTM-CNN模型实现了最高的识别准确率97.21%,超过了深度卷积神经网络 (DCNN) 和CNN-LSTM.
结论:
- 拟议的LSTM-CNN模型,特别是DPF-LSTM-CNN变体,在步态相识别方面表现出卓越的性能.
- 优化的IMU传感器位置显著影响了步态相位识别的准确性.
- 这种先进的步态识别技术具有显著的潜力,可以提高康复设备的功能和有效性.
