解锁超越步态实验室的步态分析:使用惯性运动单元和卷积神经网络高准确度复制膝盖动力学

科学领域:

• 生物力学 生物力学
• 人类运动分析 人类运动分析
• 可穿戴技术可穿戴技术

背景情况:

• 三维 (3D) 运动捕捉对步态分析有价值,但昂贵且难以获得.
• 可穿戴的惯性运动传感器 (IMU) 是具有成本效益的,但通常只测量简单的时空变量.
• 来自IMU的复杂动力学数据通常需要机器学习 (ML) 来进行准确的分析.

研究的目的:

• 调查ML算法是否可以准确地复制通常从IMU的数据使用3D运动捕获获得的膝盖运动数据.
• 确定使用可穿戴传感器和ML用于高级步态分析的可行性.

主要方法:

• 采集了40名健康参与者在步行,爬楼梯和坐到站的任务中使用3D运动捕捉和IMU收集的步态数据.
• 训练有素的序列对序列卷积神经网络 (CNN) 将IMU数据映射到右膝角,右膝角速度和右角.
• 使用平均绝对误差 (MAE) 评估模型性能.

主要成果:

• 美国有线电视新闻网 (CNN) 模型在复制3D运动捕捉衍生动力学变量方面表现出高精度.
• 右膝盖角的MAE范围从4.30 ± 1.55到5.79 ± 2.93度.
• 右膝盖角速度的MAE范围从7.82 ± 3.01到22.16 ± 9.52度/秒,右部角从4.82 ± 2.29到8.63 ± 4.73度.
• 观察到模型准确性的特定任务变化.

结论:

• 利用可穿戴IMU和ML算法的原始数据显示了复制实验室质量的动态数据的潜力.
• 这种方法可以在传统的实验室环境之外进行步态分析.
• 这些发现对于研究关节损伤,术后或退行性关节疾病等条件下的膝盖功能具有重要意义.