通过头戴惯性传感器在现实世界中估计步行速度
概括
这项研究验证了一种使用头戴惯性传感器的机器学习方法,用于在现实世界行走中准确检测步伐和估计步行速度. 该方法可以在实验室环境之外进行可靠的,连续的步态分析.
科学领域:
- 生物力学 生物力学
- 可穿戴技术可穿戴技术
- 医疗保健中的机器学习
背景情况:
- 头戴式惯性传感器在现实条件下提供不引人注目的步态分析.
- 现有的使用头戴传感器逐步估计步行速度的方法是有限的,特别是对于真实世界的数据.
研究的目的:
- 验证一种两步机器学习方法,用于估计初始接触和逐步步伐速度.
- 使用一个单一的惯性传感器放置在部区域进行步态分析.
- 开发一种适用于现实世界,无监督行走条件的方法.
主要方法:
- 用一个卷积神经网络来检测步伐.
- 用高斯过程回归来推断从检测到的步骤中逐步推断步伐速度.
- 从15名健康的年轻成年人中分析了超过10万步,使用多传感器可穿戴系统进行标记.
主要成果:
- 脚步探测器获得F1评分>92%和平均绝对误差<40ms.
- 逐步步行走速度预测显示了与目标速度的非常强的相关性 (斯皮尔曼系数>0.86).
- 观察到低平均绝对误差 (<0.085 m/s) 对于步行速度的估计.
结论:
- 开发的机器学习方法对于在现实环境中进行量化,逐步的步伐速度评估是有效的.
- 这种方法为将惯性传感器与头戴设备集成为临床步态分析提供了基础.
- 这些发现支持使用头戴传感器进行可访问和持续的步态监测.
