在带有和没有带有物体的情况下基于足部压力进行步行识别,由卷积神经网络-自动编码器架构
Chin-Cheng Wu1, Cheng-Wei Tsai2, Fei-En Wu2
1Department of Biomechatronic Engineering, National ILAN University, No. 1, Sec. 1, Shennong Rd., Yilan 26047, Taiwan.
Biomimetics (Basel, Switzerland)
|February 25, 2025
概括
这项研究引入了一种新的卷积神经网络自编码器 (CNN-AE),用于使用脚部压力识别步态. CNN-AE增强了未经授权的个人开放式识别,提高了步态分析系统的安全性.
科学领域:
- 生物识别和模式识别技术
- 机器学习在安全方面的应用
- 人与计算机的交互
背景情况:
- 卷积神经网络 (CNN) 在封闭式行走识别方面表现出色,但在未知个体的开放式识别方面却扎不堪.
- 现有的步态识别方法需要改进,以提高对随身携带物体等变化的稳定性.
研究的目的:
- 开发一个强大的步态识别系统,使用足部压力数据,能够进行开放式识别.
- 通过区分授权用户和未授权人员来提高安全性.
主要方法:
- 为用户分类提出了一个卷积神经网络自编码器 (CNN-AE) 架构.
- 从脚部压力数据中提取了步态特征,使用压力敏感的子,专注于脚压力分布和尺寸.
- 实施预处理技术,包括ROI选择,特征图像提取和数据增强.
- 在带有和没有携带物体的条件下评估模型性能.
主要成果:
- 在没有携带物体的情况下获得了高精度 (91.2%) 和在携带500g物体时获得了显著的精度 (85.6%).
- 该CNN-AE模型将脚压图压缩成特征向量以确定身份.
- 证明了授权和未授权个人的成功分类.
结论:
- 与传统的CNN相比,拟议的CNN-AE架构为开放式步态识别提供了更好的稳定性.
- 用CNN-AE进行的横向压力步态分析显示了增强安全应用的潜力,即使在适度物体携带的情况下.
- 进一步的研究可以探索更复杂的运载场景和更大的数据集.
更多相关视频
05:52Lower-Limb Biomechanical Characteristics Associated with Unplanned Gait Termination Under Different Walking Speeds
Published on: August 25, 2020
4.5K
07:44Evaluation of Patients' Posture and Gait Profile After Lumbar Fusion Surgery by Video Rasterstereography and Treadmill Gait Analysis
Published on: March 23, 2019
17.6K
