基于智能内的异常步态识别:深度序列网络和特征剥离研究

科学领域:

• 生物医学工程 生物医学工程
• 数字健康数字健康
• 机器学习 机器学习

背景情况:

• 步态分析对于评估行走能力至关重要.
• 数字健康强调有效的数据收集以评估步态.
• 将正常和异常的步态分类,有助于诊断与步态有关的疾病.

研究的目的:

• 将九种不同的步态类型分类 (一个正常,八种异常).
• 利用连续的基于网络的模型,使用来自内传感器的多种功能组合.
• 为了评估不同功能集和传感器模式的有效性,用于步态分类.

主要方法:

• 使用内传感器 (压力传感器,IMU) 从行走15米的受试者收集的步态数据.
• 从压力读数中设计压力中心 (CoP).
• 应用深度学习架构来使用时间,统计,CoP和IMU特征来分类步态类型.
• 进行了废弃研究以评估特征模式的贡献.

主要成果:

• 采用惯性测量单元 (IMU) 功能的模型表现优于其他组合.
• 顶级模特在样本分类方面获得了90%的F1分,在主题分类方面获得了92%的F1.
• 废除研究证实了各种特征 (时间,统计,COP,IMU) 对全面步态分类的重要性.

结论:

• 开发了有效的深度序列模型来分类九种步态类型.
• 突出整合不同特征的潜力,以加强临床步态分析.
• 建议将其应用于与步行相关疾病的干预策略中.