使用神经网络和IMU数据精确检测步行事件,模拟现实世界智能手机使用情况
Aske G Larsen1,2, Line Ø Sadolin1, Trine R Thomsen1
1Department of Chemistry and Bioscience, Aalborg University, Aalborg, Denmark.
Computer methods in biomechanics and biomedical engineering
|November 7, 2024
概括
这项研究开发了一种机器学习算法,使用智能手机的惯性测量单元 (IMU) 预测步态事件. 该系统达到92%的准确性,为远程行走分析铺平了道路,无需专门的传感器固定.
科学领域:
- 生物力学 生物力学
- 可穿戴技术可穿戴技术
- 机器学习 机器学习
背景情况:
- 惯性测量单元 (IMU) 帮助行走分析和移动性评估.
- 对IMU的传感器固定仍然是当前可穿戴技术的重大局限性.
研究的目的:
- 开发一种机器学习算法,用于使用单个IMU预测步行事件.
- 为了模仿智能手机的使用步态分析,消除了专用传感器固定的需要.
主要方法:
- 52名健康成年人在跑步机上以不同的速度行走,同时携带智能手机.
- 使用光学运动捕捉捕获地面真实步态事件.
- 一个长期短期记忆神经网络 (LSTM-NN) 对步行事件分类了20ms的数据窗口.
主要成果:
- 在所有测试的智能手机位置和步行速度上,LSTM-NN实现了92%的整体准确性.
- 右侧行走事件预测准确度略高 (~94%) 比左侧 (~91%).
- 在所有条件下,中位时间误差低于步行周期持续时间的3%.
结论:
- 这些发现代表了使用智能手机进行远程行走分析的有希望的一步.
- 这种方法减少了对专门IMU固定的需求,提高了用户的方便性.
- 需要进一步的研究来提高通用性和验证现实世界的部署.
