从足底压力通过优化传感器布局使用遗传算法和深森林回归来估计脚关节运动时刻

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:

• 准确的脚关节运动时刻估计对于步态分析至关重要,但传统上需要复杂的反向动态建模.
• 脚部压力内为步态分析提供了可行的,可穿戴的解决方案,尽管高精度的时刻估计仍然是一个挑战.
• 优化传感器数量和位置是成本效益高,准确可穿戴步态分析的关键.

研究的目的:

• 开发和验证一种新的算法,将遗传算法 (GA) 和深森林回归 (DFR) 结合起来,用于脚关节的时刻估计.
• 使用GA-DFR方法优化脚部压力传感器的数量和布局.
• 为了从脚下压力数据中获得高精度,高性价比的脚关节运动时刻估计.

主要方法:

• 招募了26名健康参与者,以收集不同速度的步态数据 (运动,地面反应力,脚部压力).
• 利用反向动力学来计算关节的关节时刻,用于训练和验证数据.
• 开发了一个GA-DFR优化算法,以确定最佳的传感器配置和估计脚关节的时刻,使用leave-one-out交叉验证进行验证.

主要成果:

• 优化的传感器布局包括9个传感器,实现了高适应性.
• 报告的皮尔森相关系数非常出色,这些系数用于角 (0.967 ± 0.014),冠状 (0.918 ± 0.027) 和横向 (0.894 ± 0.073) 平面时刻.
• 在不同步行速度 (P > 0.05) 上,估计准确度保持一致.

结论:

• 拟议的GA-DFR算法准确地估计了脚关节的时刻,并优化了传感器配置.
• 这种方法使得从脚部压力内可以快速准确地估计脚关节的运动时刻.
• 该研究提出了一种权衡方法,用于使用可穿戴技术进行高效和精确的步态分析.