移动时空行走细分使用耳戴式运动传感器和深度学习.

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
• 步态分析 步态分析

背景情况:

• 移动健康 (mHealth) 能够在现实环境中实现持续的移动性和步态评估.
• 传统的步态分析依赖于固定在身体上的传感器,限制了实际应用.
• 早期诊断和对步态障碍的监测对于预防像跌倒这样的不良事件至关重要.

研究的目的:

• 调查用于步态模式分析的耳戴运动传感器的潜力.
• 开发和验证一个算法,用于空间时空步行细分,使用耳戴式传感器数据.
• 探索将耳戴式步态监测与耳内生命体征监测相结合的可行性.

主要方法:

• 在53名健康成年人中,从耳部佩戴的传感器收集了3D加速数据,这些数据来自不同步行速度的53名健康成年人.
• 训练有素的时间卷积网络来检测步进序列和预测空间步态关系.
• 验证了mEar算法在检测地面接触和确定步行周期特征方面的准确性.

主要成果:

• mEar算法在检测初始 (F1得分:99%) 和最终 (F1得分:91%) 地面接触时取得了高准确度.
• 在确定时间和空间步行参数 (如步伐时间和长度) 中表现出良好的到优秀的有效性.
• 显示了足够的精度来监测临床相关的步行速度,变异性和不对称性的变化.

结论:

• 耳朵是一个可行的解剖学部位,可以使用运动传感器轻松地监测步态.
• mEar算法提供了准确和有效的步态分析,支持早期诊断和疾病进展监测.
• 将戴在耳边的步态传感器与生命体征监测相结合,为全面的远程医疗健康应用提供了一种实用方法.