在惯性传感器数据上使用多维动态时间扭曲的高膝曲姿势识别
Annemarie F Laudanski1, Arne Küderle2, Felix Kluge2
1Biomechanics of Human Mobility Laboratory, Department of Kinesiology and Health Sciences, University of Waterloo, Waterloo, ON N2L 3G1, Canada.
Sensors (Basel, Switzerland)
|February 26, 2025
概括
这项研究开发了一个使用多维动态时间曲线 (mDTW) 的传感器框架,从惯性测量单元 (IMU) 数据中检测职业高曲姿势,在现实环境中显示出强大的性能.
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:
- 持续的惯性数据收集需要先进的算法来解释人类的运动,考虑到速度和持续时间的变化.
- 职业环境经常涉及高曲姿势,需要准确的检测和测量方法.
研究的目的:
- 创建基于传感器的框架,用于识别和量化职业环境中常见的高曲姿势.
- 使用惯性测量单位 (IMU) 数据进行姿势分析.
主要方法:
- 来自IMU数据的关节角度估计 (脚,膝盖,部) 根据时间和尺度进行了正常化.
- 一个多维的动态时间扭曲 (mDTW) 算法被用于姿势分类.
- 50名参与者的数据集被用于模型开发和验证.
主要成果:
- 在测试组中,mDTW模型在测试组中实现了82.3%的准确性,在验证组中达到55.6%,在不平衡调整后改善到86%和74.6%.
- 在腰变化和腰变化之间观察到最高的错误分类.
- 该模型在识别不参与其开发的参与者的姿势方面表现出强大.
结论:
- 开发的mDTW模型显示了在职业环境中准确测量姿势采用的巨大潜力.
- 这种基于传感器的框架为现实应用中的定量姿势分析提供了可行的解决方案.


