手腕到部/鞋部惯性测量结果 通过神经网络进行翻译
Marcin Kolakowski1, Vitomir Djaja-Josko1, Jerzy Kolakowski1
1Institute of Radioelectronics and Multimedia Technology, Warsaw University of Technology, 00-661 Warsaw, Poland.
Sensors (Basel, Switzerland)
|January 11, 2024
概括
这项研究开发了一种算法,将手腕穿戴的惯性传感器数据转化为下肢信号,用于步态分析. 这一创新增强了实验室环境之外的步态评估的实用性.
科学领域:
- 生物力学 生物力学
- 可穿戴技术可穿戴技术
- 机器学习 机器学习
背景情况:
- 传统的步态分析依赖于下肢惯性传感器,由于脆弱性和舒适性问题,这些传感器对于日常使用是不切实际的.
- 开发可访问的步态评估方法对于远程患者监测和现实活动跟踪至关重要.
研究的目的:
- 提出和评估一种算法,将手腕传感器的惯性信号转换为通常从下肢 (骨或鞋子) 传感器获得的惯性信号.
- 评估不同神经网络架构在此信号翻译任务中的有效性.
主要方法:
- 使用的惯性测量单元 (IMU) 数据 (加速和角速度) 来自手腕佩戴传感器.
- 开发并比较了四种神经网络模型:密集自编码器,卷积神经网络 (CNN) 自编码器,CNN-长期短期记忆 (LSTM) 混合体和U-Net.
- 翻译手腕传感器信号以模拟骨或鞋子传感器信号.
主要成果:
- 美国有线电视新闻网 (CNN) 自动编码器和U-Net架构成功地展示了惯性信号转换的应用.
- 使用翻译的信号来估计行走参数,取得的结果与使用传统的装在鞋上的传感器获得的结果相当.
结论:
- 腕式传感器与先进的信号翻译算法相结合,为步态分析提供了一个可行的,更实用的替代方案.
- 开发的方法有可能改善日常环境中步态监测的可访问性和用户友好性.
