一种机器学习方法,用于实时计算行走和跑步期间的关节角度,使用自置惰性测量单元
David C Ackland1, Zhou Fang1, Damith Senanayake1
1Department of Biomedical Engineering, University of Melbourne, Parkville, VIC 3010, Australia.
Gait & posture
|February 6, 2025
概括
使用人工神经网络,可以从惯性测量单位 (IMU) 预测下肢关节的准确角度. 传感器的数量,位置和步行速度显著影响这些基于IMU的运动测量的准确性.
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:
- 使用惯性测量单元 (IMU) 精确的3D关节运动测量是具有挑战性的,因为复杂的传感器融合,信号处理和校准要求.
- 现有的方法从IMU获得跨段联接角度往往涉及复杂的程序,可能很难在实时应用中实现.
研究的目的:
- 调查人工神经网络 (ANN) 框架的有效性,用于直接,实时地将IMU数据转换为步行和跑步期间的关节角度.
- 确定IMU的数量和位置以及步行速度如何影响预测的关节角度的准确性.
主要方法:
- 30名健康成年人参加了步行实验,采集动力学数据,使用自置IMU和视频运动分析作为参考标准.
- 数据是在步行时以0.5,1.0和1.5米/秒的速度收集的,在运行时以2.0和3.0米/秒的速度运行.
- 一个生成对抗网络被训练,只使用IMU数据预测下肢关节角度,评估各种传感器组合的准确性.
主要成果:
- 关节角度的预测精度高度依赖于传感器的数量和位置,以及步行和跑步的速度.
- 单一的IMU可以预测走路时的平面关节角度 (部,膝盖或脚),平方根平均误差低于4.0°.
- 使用两个或三个IMU用于特定的关节,可以实现最佳的3D关节运动精度.
结论:
- 一个新的建模框架可以直接将IMU数据转换为联合角度,从而消除了传统信号处理或联合校准的需要.
- 使用多达四个IMU可以在行走和跑步期间准确地同时复制部,膝盖和脚关节运动.
- 这些发现有可能提高基于IMU的下肢运动测量的精度,用于远程监测,体育训练和康复.
