基于IMU的步行阶段实时估计使用多分辨率神经网络

科学领域:

• 生物力学 生物力学
• 机器人技术 机器人技术 机器人技术
• 机器学习 机器学习

背景情况:

• 准确的步行阶段估计对于分析人类运动和开发辅助技术至关重要.
• 当前的方法可能在各种走路条件和个体步行模式中缺乏稳健性.

研究的目的:

• 开发和验证使用可穿戴惯性测量单元 (IMU) 的实时步行阶段估计器.
• 评估模型在不同参与者,步行速度和异常步行模式的概括性.

主要方法:

• 一个多速卷积神经网络 (CNN) 被训练使用大腿和部安装IMU的数据.
• 该模型使用单个实验对象的交叉验证进行了评估,并对各种步行速度和条件进行了测试,包括不对称步行和停止启动场景.
• 使用统计测试 (例如,Kolmogorov-Smirnov) 来确认性能稳定性.

主要成果:

• 步态阶段估计器在脚跟撞击时实现了空间根平均平方误差5.00±1.65%和时间平均绝对误差2.78±0.97%.
• 交叉验证表明,当排除特定的行走条件或对新参与者的测试时,没有显著的性能下降.
• 对于不包括在训练组中的异常行走条件,没有观察到显著的错误增加.

结论:

• 拟议的基于IMU的步行阶段估计器在各种参与者和行走场景中表现出强大的概括性.
• 这项技术具有临床步态分析的潜力,特别是对于病态步态患者群体.
• 这些发现支持使用这个估计器来推进机器人辅助行走和康复.