基于长短记忆的双向长短记忆的步态阶段识别方法 坚固于对象步态进展的方向变化使用可穿戴惯性传感器

科学领域:

• 生物力学 生物力学
• 传感器技术 传感器技术
• 机器学习 机器学习

背景情况:

• 惯性测量单元 (IMU) 传感器对于医学和生物力学中的步态分析至关重要.
• 当前的IMU步行识别方法在传感器附加的可重现性和固定参考框架方面存在局限性,这会影响方向变化时的准确性.

研究的目的:

• 开发一种强大的步态阶段识别方法,适应用户的身体运动和步行方向的变化.
• 提高基于IMU的步态分析的准确性和可靠性.

主要方法:

• 使用浮动机身固定框架 (FBF) 来进行IMU传感器数据收集.
• 采用双向长期短期记忆 (bi-LSTM) 网络进行步行阶段识别.
• 应用了Taguchi方法进行灵敏度分析,以优化模型参数以提高准确性.

主要成果:

• 拟议的FBF和bi-LSTM模型在参数优化后达到86.43%的高测试精度.
• 灵敏度分析确定了影响训练和测试准确性的最佳参数.
• 该方法证明了对用户身体运动和方向变化的稳定性.

结论:

• 基于FBF和bi-LSTM的方法为基于IMU的步行阶段识别提供了显著的改进.
• 该方法解决了传统IMU步态分析的关键局限性,提高了生物机械和医疗应用中的可靠性.