基于机器学习模型的表面电动图对成年人的步行参数估计
Shing-Hong Liu1, Chi-En Ting1, Jia-Jung Wang2
1Department of Computer Science and Information Engineering, Chaoyang University of Technology, Taichung City 41349, Taiwan.
Sensors (Basel, Switzerland)
|February 10, 2024
概括
这项研究仅使用下肢肌肉活动 (sEMG) 估计了步态参数,对14个参数实现了高精度. 这样可以在没有复杂设备的情况下进行更全面的步态分析.
科学领域:
- 生物力学 生物力学
- 运动学 运动学
- 生物医学工程 生物医学工程
背景情况:
- 步态分析客观地评估步态改善程序,帮助医生了解步态问题,病因和治疗.
- 传统的步态分析测量动力学 (时间,空间参数),但缺乏骨肌肉活动信息.
- 可穿戴的惯性传感器 (例如,GaitUp Physilog®) 可以测量步行参数,但不能测量肌肉活动.
研究的目的:
- 为了估计步态参数,使用下肢肌肉的表面电肌图 (sEMGs).
- 开发一种包含肌肉活动的全面步态分析方法.
主要方法:
- 使用自制的无线设备,从巨大的侧面肌肉和腹肌肌肉中测量了sEMG.
- 招募了20名具有低骨肌肉指数 (SMI) 的年轻女性受试者.
- 利用三种机器学习模型 (随机森林,决策树,XGBoost) 来估计4个sEMG参数中的23个步态参数.
- 使用GaitUp Physilog®可穿戴惯性传感器测量了步行参数.
主要成果:
- 成功估计了14个步态参数,相关系数高于0.800.
- 证明了使用sEMG数据推断运动步态参数的可行性.
结论:
- 这项研究是迈向仅使用sEMG进行更全面的步态分析的重要一步.
- 这些发现表明,可能存在更简单,更具信息性的步态评估工具.
