多个神经网络在使用可穿戴传感器预测下肢关节时刻方面的性能
Zainab Altai1, Issam Boukhennoufa2, Xiaojun Zhai2
1School of Sport, Rehabilitation and Exercise Sciences, University of Essex, Essex, United Kingdom.
Frontiers in bioengineering and biotechnology
|August 16, 2023
概括
这项研究表明,一个名为XCM的深度学习模型只使用四个可穿戴惯性测量单元 (IMU) 准确预测下肢关节时刻. 这为体育和康复中的生物力学分析提供了一种低成本,易于使用的方法.
科学领域:
- 生物力学 生物力学
- 机器学习 机器学习
- 可穿戴技术可穿戴技术
背景情况:
- 关节运动时刻测量对于评估关节健康至关重要.
- 目前的黄金标准 (3D动作捕捉) 是昂贵而复杂的.
- 使用可穿戴传感器的机器学习提供了一个有希望的替代方案,用于可访问的联合时刻估计.
研究的目的:
- 研究深度神经网络在仅使用惯性测量单元 (IMU) 数据预测下肢关节时刻方面的有效性.
- 为此任务比较各种深度学习架构的性能.
主要方法:
- 评估了五个深度神经网络 (InceptionTimePlus,XCM,XCMplus,RNNplus,TSTPlus) 的情况.
- 使用了四个IMU传感器 (干部,大腿,腿部,脚部) 的数据来测量加速和陀螺仪.
- 在多种运动模式中,对部,膝盖,脚和下关节的时刻进行了预测.
主要成果:
- 可解释的卷积神经网络 (XCM) 在预测下肢关节时刻 (RMSE 0.046 ± 0.013 Nm/kg) 中表现出卓越的准确性.
- 部,膝盖和脚关节的运动时刻预测显示了可比的RMSE (平均0.069Nm/kg).
- 亚关节时刻具有最低的预测RMSE (0.033Nm/kg).
结论:
- 深度学习模型,特别是XCM,可以使用最小的IMU数据准确地估计下肢关节时刻.
- 这种方法为体育科学家和物理治疗师提供了宝贵的实时生物力学见解.
- 通过可访问,低成本的生物力学分析,实现个性化的培训和康复计划.
