使用人工神经网络和多模式IMU数据进行脚动力学估计
IEEE journal of biomedical and health informatics
|March 3, 2025
概括
本研究介绍了KEEN,这是一个使用人工神经网络 (ANN) 和最小惯性测量单元 (IMU) 进行实时脚运动的框架. 即使是单个IMU也可以提供临床上可接受的估计,为成本效益高,实际的伤害预防和康复铺平道路.
科学领域:
- 生物力学和生物医学工程
- 医疗保健中的人工智能
- 可穿戴式传感器技术
背景情况:
- 惯性测量单元 (IMU) 提供便携式关节动力学监测,但存在精度限制,实时处理挑战和复杂的校准需求.
- 现有的方法通常需要精确的传感器到分段校准,这阻碍了IMU基于运动分析的广泛临床和日常应用.
研究的目的:
- 推出KEEN (KinEmatics估计网络),这是一个创新的框架,利用轻量级人工神经网络 (ANN) 来实现实时,无校准的多平面脚运动预测.
- 评估最小IMU配置和各种ANN模型的有效性,以准确跟踪脚运动.
主要方法:
- 开发和评估了五个ANN算法,包括长短期记忆 (LSTM) 和卷积神经网络 (CNN) 模型,使用四个IMU的42个输入.
- 在学科内部和学科间的任务中评估模型性能,以确定概括能力.
- 研究了在微控制器上部署CNN模型的可行性,以使用单个脚跟安装IMU进行实时动力学估计.
主要成果:
- 一个单脚部安装的IMU,当通过CNN模型处理时,提供了临床上可接受的脚动力学估计 (RMSE:4.13° ±0.55°).
- LSTM网络在主题内部任务中表现出色 (RMSE:1.88° ±0.02°),而CNN和CNN-LSTM模型表现出优异的主题间概括性.
- 在一个单一IMU的微控制器上实时部署CNN产生了有希望的结果 (RMSE:3.34° ±0.48°),证明了其实际适用性.
结论:
- KEEN框架有效地利用ANN和最小IMU来实现准确的实时脚动力学,克服校准障碍.
- 最小的IMU配置,特别是带有CNN的单脚IMU,显示出具有成本效益和实际临床应用的巨大潜力.
- 这种方法为足受伤的早期预防和康复提供了可行的解决方案,提高了可访问性和可用性.
