预测下肢动力学的步行速度和任务特异性:使用惯性传感器的深度学习方法

科学领域:

• 生物力学 生物力学
• 机器学习 机器学习
• 可穿戴技术可穿戴技术

背景情况:

• 精确的下肢关节动力学对于体育和医疗保健中的生物力学分析至关重要.
• 惯性测量单元 (IMU) 为运动捕捉提供了一个便携式解决方案,但它们在预测关节角度方面的准确性需要进一步研究.
• 深度学习方法在分析复杂的传感器数据以预测人类运动方面表现有前途.

研究的目的:

• 开发和评估一个深度学习框架,用IMU数据预测下肢关节动力学 (部,膝盖,脚).
• 评估动态时间扭曲 (DTW) 在减少各种步行任务的预测错误方面的有效性.
• 在独立的数据集上验证开发模型的通用性.

主要方法:

• 收集的同步IMU和光学运动捕获数据来自18名参与者跨越步行,慢跑和跑步任务.
• 开发了一种长期短期记忆 (LSTM) 自编码器监督回归模型,包含卷积层.
• 使用IMU的加速和陀螺仪数据作为输入,光学运动捕捉动力学作为训练的地面真相.

主要成果:

• 深度学习模型在部,膝盖和脚的角平面上实现了6°以下的根平均平方误差 (RMSE).
• 脚动力学预测显示了最高的准确性,RMSE为5.1°.
• 动态时间扭曲 (DTW) 应用在所有步行任务中将RMSE降低了3°-4°,外部验证证实了模型的通用性.

结论:

• 基于IMU的深度学习模型显示了精确下肢关节动力学预测的巨大潜力.
• 整合DTW进一步提高了这些预测模型的精度.
• 该框架为临床和体育环境中远程和持续的生物力学评估提供了一种实际方法.