使用惯性传感器在跑步过程中预测足部pronation:数据驱动方法的初步应用

科学领域:

• 生物力学和体育科学 生物力学和体育科学
• 医疗保健中的机器学习
• 可穿戴技术应用程序 应用程序

背景情况:

• 异常的脚姿势会影响运行机械和关节负荷,可能导致受伤.
• 了解长时间跑步时的脚是预防受伤和研究脚部功能至关重要的.
• 目前在跑步时监测脚部姿势的方法有限,需要先进的预测方法.

研究的目的:

• 开发和评估机器学习算法,用于预测长时间跑步期间的足部位置.
• 为了比较基于特征 (SVM,XGBoost,随机森林) 和深度学习 (CNN1D) 模型的性能.
• 评估这些算法在可穿戴设备中实现实时监控的可行性.

主要方法:

• 招募了32名休跑者进行长时间的跑步试验.
• 九轴惯性传感器附在脚背部和骨上.
• 使用支持向量机 (SVM),极端梯度提升 (XGBoost),随机森林和1D卷积神经网络 (CNN1D) 进行预测.
• 使用自定义嵌套的k折交叉验证来进行超参数调整和模型验证.

主要成果:

• 使用脚背传感器数据,XGBoost分类器表现出最高的准确性 (74.7 ± 5.2%独立于受试者,98 ± 0.4%记录).
• 在CNN1D模型中,获得了74 ± 3.8%的准确性,对主体智能方法的AUC为0.8 ± 0.05.
• 无论是XGBoost还是CNN1D模型,都显示出从惯性传感器数据中预测脚的巨大潜力.

结论:

• 机器学习算法,特别是XGBoost和CNN1D与脚背惯性传感器数据,可以有效地预测在跑步时的脚.
• 这些预测模型可以集成到可穿戴设备中,用于实时监控跑步者.
• 这些发现支持在跑鞋匹配和预防足部姿势相关伤害方面的应用.