用多式感应数据进行步态分析的特征编码技术的系统评估
Rimsha Fatima1, Muhammad Hassan Khan1, Muhammad Adeel Nisar2
1Department of Computer Science, University of the Punjab, Lahore 54590, Pakistan.
Sensors (Basel, Switzerland)
|January 11, 2024
概括
本研究探讨了使用可穿戴传感器进行步态分析的特征编码. 它介绍了包括深度学习在内的三种方法,以有效地分析人类的运动和日常活动.
科学领域:
- 生物医学工程 生物医学工程
- 人与计算机的交互
- 信号处理 信号处理
背景情况:
- 步行分析依赖于从多模式时间序列感觉数据中提取特征.
- 像惯性测量单位 (IMU) 这样的可穿戴传感器越来越多地用于收集动力学和动力学数据.
- 有效的特征编码对于准确的人类运动表现至关重要.
研究的目的:
- 系统地评估各种特征提取技术用于步态分析.
- 介绍和评估三种不同的特征编码方法,用于多模式时间序列传感数据.
- 引入新的深度学习模型,用于步态分析中的自动特征提取.
主要方法:
- 从原始感官数据中手工提取特征.
- 带有局部限制的线性编码 (LLC) 的视觉词包模型.
- 两个自动功能学习的端到端深度学习模型.
主要成果:
- 在四个大型感官数据集上的实验评估.
- 与展示计算效率和高效率的最先进方法进行比较.
- 对于识别人类日常活动的稳定性评估.
结论:
- 拟议的特征编码方法在计算上是高效的,并且对步态分析非常有效.
- 深度学习模型提供自动特征提取,提高准确性和效率.
- 该研究引入了使用IMU传感器进行步行模式分析的新数据集.
