使用深度学习和可穿戴传感器对肢体长度差异动态变化的新型测量方法
Jianning Wu1, Yujie Shi1, Xiaoyan Wu2
1College of Computer and Cyber Security, Fujian Normal University, Fuzhou, China.
Science progress
|March 15, 2024
概括
这项研究引入了一种新的深度学习方法,使用可穿戴传感器在户外准确测量动态四肢长度差异 (LLD) 变化. 这种新的方法在分类LLD步态模式方面取得了很高的准确性,有助于监测日常步态功能.
科学领域:
- 生物医学工程 生物医学工程
- 步态分析 步态分析
- 机器学习 机器学习
背景情况:
- 在日常环境中精确测量动态四肢长度差异 (LLD) 对于监测步行功能至关重要.
- 在非临床环境中测量LLD的现有方法面临重大挑战.
- 识别与LLD相关的微妙步态变化对于早期干预至关重要.
研究的目的:
- 提出一种新的方法,使用深度学习和可穿戴传感器在户外准确测量动态LLD变化.
- 通过分析时空特征来对LLD步态模式进行分类.
- 开发一个强大的模型,用于现实世界的步态监测.
主要方法:
- 开发了一种混合深度学习模型,即卷积神经网络长期短期记忆 (CNN-LSTM).
- 从23名健康受试者那里收集了步态数据,他们使用鞋子升降器模拟了四个LLD水平.
- 使用Delsys TrignoTM系统获得数据,该系统在部,膝盖和脚关节上设有传感器.
主要成果:
- 该CNN-LSTM模型在分类四个LLD步态模式时实现了93.24%的准确性和93.48%的F1得分.
- 与CNN,LSTM和CNN-GRU模型相比,该模型表现出卓越的性能.
- 在检测每一个LLD步态模式时,实现了高回忆率和精度 (超过92%).
结论:
- 开发的CNN-LSTM模型有效地识别了代表性的LLD动态变化特征,用于准确的步态模式分类.
- 这种技术解决方案可以在非临床环境中精确地测量LLD动态变化.
- 这种方法有可能识别下肢关节由于LLD造成的异常补偿变化.
