循环神经网络方法从单个惯性测量单元中提取步行过程中的动态平衡变量

科学领域:

• 生物力学 生物力学
• 可穿戴技术是可穿戴的技术.
• 机器学习是机器学习.

背景情况:

• 动态平衡监测对于预防老年人群中跌倒至关重要.
• 目前的方法可能在现实世界中适用于连续步态分析的应用性有限.
• 惯性测量单位 (IMU) 提供了一个潜在的解决方案,用于不引人注目的平衡评估.

研究的目的:

• 开发和评估循环神经网络 (RNN) 模型,从IMU数据中提取步态平衡变量.
• 为了比较不同RNN架构 (LSTM,GRU) 在预测平衡参数方面的性能.
• 为了确定最准确和最有效的模型,用于现实生活步行平衡监测.

主要方法:

• 13名健康的年轻人和13名健康的老年人参与了这项研究.
• 一个IMU在行走时被戴在圣骨上,以收集数据.
• 倾斜角 (IA) 和其变化速率 (RCIA) 被测量为地面真相.
• 四个RNN模型 (uni-LSTM,bi-LSTM,uni-GRU,bi-GRU) 经过训练并使用根-平均-平方误差 (RMSEs) 和百分比相对RMSEs (rRMSEs) 进行评估.

主要成果:

• 带有加权平均平方误差 (MSE) 的双向门式反复单位 (bi-GRU) 模型显示了最高的预测准确性.
• 与其他模型相比,双GRU模型表现出更高的计算效率.
• 该模型有效地发现了年轻人和老年人之间步行平衡的统计差异.

结论:

• 双GRU模型是长期监测步行平衡的最佳选择.
• 这项技术可以对老年人跌倒风险管理策略做出重大贡献.
• 使用IMU和RNN进行准确的动态平衡评估,有望为积极的医疗保健干预措施提供希望.