基于IMU的各种行走条件的能源消耗估计使用混合CNN-LSTM模型

科学领域:

• 生物医学工程 生物医学工程
• 可穿戴技术可穿戴技术
• 人类运动分析分析

背景情况:

• 能源支出估计对于监测医疗保健中的体力活动强度至关重要.
• 现有的方法往往缺乏对不同步行速度和斜率的评估.
• 惯性测量单元 (IMU) 是用于活动监测的关键可穿戴传感器.

研究的目的:

• 开发和评估混合卷积神经网络 (CNN) 和长短期记忆 (LSTM) 模型,用于估计能源支出.
• 在各种行走条件下 (速度,倾斜) 仅使用IMU数据来评估模型的性能.
• 为了将固定大小的顺序数据输入与模型的步骤分段数据输入进行比较.

主要方法:

• 使用IMU数据开发了一种混合CNN-LSTM模型.
• 实验包括水平/倾斜步行和在跑步机上水平跑步.
• 模型性能使用固定大小的顺序数据与步伐细分数据进行评估,考虑传感器位置和输入格式.

主要成果:

• 在CNN-LSTM模型实现了最佳的性能与两个秒的IMU数据序列从下体.
• 固定大小的顺序数据方法显示了与步骤细分数据方法相比较的性能.
• 拟议的模型通过不需要脚跟撞击检测来证明其实用性.

结论:

• 一种混合CNN-LSTM模型有效地估计了在不同步行条件下从IMU数据中获得的能源消耗.
• 使用固定大小序列数据的模型是步骤细分方法的实用替代方案.
• 这种方法提高了可穿戴传感器在医疗保健中的身体活动监测的实用性.