基于长期短期记忆的走路阶段预测,使用脚加速,在走路障碍患者中进行

科学领域:

• 生物力学 生物力学
• 计算神经科学是一种神经科学.
• 康复工程 康复工程

背景情况:

• 与健康个体相比,步行障碍导致步行缓慢,不稳定.
• 准确的步行阶段预测对于开发有效的步行辅助orthoses至关重要.
• 当前的预测模型可能缺乏个性化,这可能会限制患者群体的准确性.

研究的目的:

• 开发和评估一个改进的步态阶段预测模型,用于有步态障碍的个体.
• 通过将模型定制为个人步态特征来提高预测准确性.
• 评估预测模型在步行辅助骨架中的潜在应用.

主要方法:

• 从健康的志愿者和患有步行障碍的人群中收集了使用运动捕捉技术的步行数据.
• 使用长期短期记忆 (LSTM) 神经网络构建了一种步态阶段预测模型.
• 脚跟加速数据作为输入,模型预测步态阶段提前0.1秒.
• 一种新的方法是创建个别模型并根据每个参与者的步行周期调整输入数据长度.

主要成果:

• 传统的预测模型在步态阶段预测中实现了84%的准确性.
• 拟议的个性化模型显示出更高的预测准确度89%.
• 个性化显著改善了对有步行障碍的参与者的模型性能.

结论:

• 个性化步行阶段预测模型,利用LSTM和调整的输入数据,提高了步行障碍患者的准确性.
• 这种个性化的方法有望提高步行辅助orthoses的功能和有效性.
• 开发的模型为移动障碍者提供了一条更具响应性和适应性的辅助技术的途径.