提高可穿戴步态监测系统:在典型的青少年中识别最佳动态输入

科学领域:

• 生物力学 生物力学
• 机器人技术 机器人技术 机器人技术
• 神经学 神经学

背景情况:

• 机器学习 (ML) 增强了对神经疾病的步行辅助技术的实时控制.
• 从惯性测量单元 (IMU) 的可穿戴设备中识别强大的动力信号对于改进基于 ML 的步态系统至关重要.
• 当前的系统往往需要大量的数据处理来适应不同的行走条件.

研究的目的:

• 为了识别来自IMU可穿戴设备的强大的动力学信号,用于青少年基于ML的步态分析.
• 量化不同步行条件和速度的加速度和角速度信号的变化.
• 提供规范性数据集,以指导儿童神经学步行辅助的ML模型的开发.

主要方法:

• 从30名青少年 (8-18岁) 的腿部和大腿上收集了IMU的动力学数据 (加速,角速度).
• 在跑步机上和地面上行走时以自选,缓慢和快速的速度评估信号.
• 使用基于曲线的分析,包括共弦相似性,欧几里德距离,波恩卡尔分析和一种新的双边对称差异测试 (BSDT).

主要成果:

• 上下轴加速 (SI轴Acc) 和中侧轴角速度 (ML轴AV) 在BSDT显示的条件中显示出最小的变化.
• 这两种信号 (SI 子 Acc,ML 子 AV) 在波因卡分析中也表现出强度.
• 在跑步机和户外步行条件之间切换时观察到变化.

结论:

• SI 子 Acc 和 ML 子 AV 是使用 IMU 进行步态分析的强有力的动力信号.
• 这些发现可以为步行辅助技术中的ML模型选择最佳传感器信号.
• 这些规范性数据支持为儿科神经疾病开发更有效的步行辅助.