相关实验视频
Updated: Jul 20, 2025
07:24
Home-Based Monitor for Gait and Activity Analysis
Published on: August 8, 2019
6.8K
耳走:通过助听器集成惯性传感器估计时间步行参数
Ann-Kristin Seifer1, Eva Dorschky1, Arne Küderle1
1Machine Learning and Data Analytics Lab (MaD Lab), Department Artificial Intelligence in Biomedical Engineering (AIBE), Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU), 91052 Erlangen, Germany.
Sensors (Basel, Switzerland)
|July 29, 2023
概括
EarGait是一个新的工具箱,使用助听器传感器分析步态. 它准确地检测步骤和步伐时间,改进了现有的家庭持续健康监测方法.
科学领域:
- 生物医学工程 生物医学工程
- 传感器技术 传感器技术
- 康复技术 康复技术 康复技术
背景情况:
- 可穿戴式传感器在家庭环境中提供持续的健康监测.
- 将传感器集成到日常使用的设备中,如助听器,可以提高用户的参与度.
- 步态分析对于检测健康变化和移动性问题至关重要.
研究的目的:
- 介绍EarGait,一个开源的Python工具箱,用于使用助听器集成的惯性传感器进行步态分析.
- 使用耳戴式传感器验证步行事件检测和时间参数估计算法.
- 提高步态分析算法的准确性和横向性确定.
主要方法:
- 对两个基于加速的步态事件检测算法的比较分析.
- 开发和验证用于增强步态分析的修改算法.
- 从健康的年轻人和老年参与者收集数据,使用助听器传感器和光学运动捕捉.
- 对不同种群和采样频率的算法稳定性的评估.
主要成果:
- 所有测试的算法都成功检测了步行事件 (初始和终端接触).
- 改进的算法实现了99.8%的初始接触检测准确度,平均步伐时间误差为12 ± 32 ms.
- 经过修改的算法通过增强的步骤横向性确定,将步伐时间误差降低了50%.
- 改进的算法证明了对人口变化和采样率的稳定性,尽管对步行速度敏感.
结论:
- EarGait为使用助听器传感器进行步行分析提供了经过验证的基础.
- 增强的算法提高了步态事件和横向检测的准确性和可靠性.
- 这项技术为健康评估提供了持续的,长期的家庭步态监测.
