一种基于BiLSTM注意力模型的实时步行阶段检测方法
概括
这项研究引入了一个BiLSTM-Attention模型,用于实时检测步行阶段,这对于智能康复至关重要. 该方法准确地识别了步行阶段,延迟最小,有助于运动障碍患者.
科学领域:
- 生物医学工程 生物医学工程
- 康复技术 康复技术 康复技术
- 医疗保健中的机器学习
背景情况:
- 准确的实时步行阶段检测对于有效的行走辅助在运动障碍康复中至关重要.
- 现有的方法可能缺乏与智能培训系统无整合所需的精度或速度.
研究的目的:
- 开发和验证一种高效的实时步态相位检测方法,使用双向长期短期记忆网络与注意层 (BiLSTM-Attention).
- 评估模型的准确性和时间延迟,以便在步行康复中实际应用.
主要方法:
- 使用单个惯性测量单元 (IMU) 在树上收集在跑步机上行走时的加速和角速度数据.
- 采用滑动窗技术将数据分成序列,并对八名健康受试者的数据训练了一种BiLSTM-Attention模型.
- 数据被分为训练,验证和测试集,比例为5:1:2.
主要成果:
- BiLSTM-Attention模型在检测新受试者的三个步行阶段 (负载响应,姿势,摆动) 中获得了97.40%的平均识别准确度.
- 该方法显示了15.7±10.1ms的低平均时间延迟,表明实时适用性.
- 在公共数据集上的验证证实了该模型的有效性.
结论:
- 拟议的BiLSTM-Attention方法为实时步行阶段检测提供了一个高度准确和高效的解决方案.
- 这项技术在智能康复培训中具有显著的潜力,可以提高步行辅助的稳定性和有效性.
- 最小的时间延迟表明它适合于实际的实时临床应用.
