基于回归模型的性能,用于实时估计在行走过程中前面的地面反应力

科学领域:

• 生物力学 生物力学
• 步态分析 步态分析
• 可穿戴式传感器 穿戴式传感器

背景情况:

• 肢体推进力的减少与降落风险增加和运动能力降低有关.
• 使用前面定向的地面反应力来进行行走生物反再训练可以改善四肢推进.
• 目前的方法依赖于昂贵的仪器化跑步机,限制了临床应用.

研究的目的:

• 用惯性测量单位 (IMU) 评估基于回归模型的实时有效性,以估计前后地面反应力 (AGRFs) 在行走过程中.
• 探索成本效益高,便携式替代步行分析仪器化跑步机.

主要方法:

• 十名参与者以不同的速度行走,同时从IMU和力板收集数据.
• 参与者特定的回归模型 (未加权和加权) 在75%的数据上进行了训练,并在剩余的25%上进行了测试.
• 模型性能使用诸如类内相关系数,绝对误差,最小可检测变化 (MDC),R2和正常化根平均平方误差 (NRMSE) 等指标进行评估.

主要成果:

• 两种回归模型都与收集的数据保持良好对齐,但未能在最小可检测变化 (MDC) 范围内预测峰值推进力.
• 对AGRFs的时间序列估计产生了相对较低的R2和高的NRMSE值.
• 性能略低于垂直地面反应力的实时回归模型.

结论:

• 目前使用IMU的基于回归的模型不足以准确实时AGRF估计,特别是峰值推进.
• 深度学习方法可能更适合处理时间序列步态数据的复杂性,以提高准确性.
• 对先进的机器学习技术进行进一步的研究是有必要的,以开发实用,可穿戴的步态分析系统.