相关实验视频
Updated: Jul 13, 2025
07:24
Home-Based Monitor for Gait and Activity Analysis
Published on: August 8, 2019
6.8K
从下肢动力学和使用可穿戴惯性传感器的垂直加速来估计行走期间的垂直地面反应力
David Martínez-Pascual1, José M Catalán1, Andrea Blanco-Ivorra1
1Biomedical Neuroengineering Research Group, Robotics and Artificial Intelligence Unit, Bioengineering Institute, Miguel Hernandez University, Elche, Spain.
Frontiers in bioengineering and biotechnology
|October 16, 2023
概括
研究人员开发了一种新方法,利用可穿戴传感器和机器学习来估计行走过程中的垂直地面反应力 (vGRF). 这种方法通过克服传统强力板的局限性来增强步态分析.
科学领域:
- 生物力学 生物力学
- 步态分析 步态分析
- 机器学习在体育科学中的应用
背景情况:
- 垂直地面反应力 (vGRF) 对于理解步态动力学至关重要.
- 传统的强力板测量可以限制步态分析的范围和适用性.
- 开发用于vGRF估计的非侵入性方法对于更广泛的研究和临床应用至关重要.
研究的目的:
- 通过惯性测量单位 (IMU) 和机器学习算法来估计vGRF的新方法.
- 在vGRF估计中比较Feedforward神经网络 (FNN) 和随机森林 (RF) 模型的性能.
- 调查下肢动力学和干部加速对vGRF估计准确性的影响.
主要方法:
- 使用了四个可穿戴的IMU来捕捉部,膝盖和脚关节的曲/延伸角度.
- 在C7脊椎使用额外的IMU来测量垂直加速.
- 使用收集的传感器数据训练和评估FNN和RF机器学习模型.
主要成果:
- 无论是FNN还是RF模型都在估计vGRF时表现出高准确度.
- 将垂直加速数据纳入模型性能的影响不同:在FNN中增加RMSE,在RF中减少RMSE.
- 分析证实了模型准确重建vGRF信号的能力,包括峰值大小和时间.
结论:
- 拟议的IMU和基于机器学习的方法为vGRF估计提供了可行的和准确的替代方案.
- 推进神经网络和随机森林模型是这个估计任务的有效工具.
- 了解不同动力和加速输入的贡献是优化vGRF估计模型的关键.
