基于惯性传感器的脚跟撞击和能源消耗预测使用混合机器学习方法

科学领域:

• 生物力学 生物力学
• 运动科学 运动科学 运动科学
• 医疗保健技术 技术 医疗保健 技术

背景情况:

• 步态分析对于估计能源消耗 (EE) 是至关重要的.
• 传统的VO2测量系统是繁和不舒服的.
• 需要准确的,便携式方法来估计VO2和探测行走事件.

研究的目的:

• 开发和评估一种混合机器学习模型,用于VO2估计和脚跟撞击 (HS) 检测.
• 评估整合卷积神经网络 (CNN),长期短期记忆 (LSTM) 网络和转移学习 (TL) 的有效性.
• 将混合动力模型的性能与仅使用LSTM的方法进行比较.

主要方法:

• 开发了一个混合模型,将CNN用于空间和LSTM用于时间特征提取.
• 使用转移学习 (TL) 来利用预训练模型权重.
• 一个单一的9轴惯性测量单元 (IMU) 用于数据收集.
• 模型的性能与临床级VO2机器和仅使用LSTM的模型进行了基准测试.

主要成果:

• 混合模型将VO2预测误差从20%降低到3%与仅LSTM模型相比.
• 脚跟撞击 (HS) 检测精度达到了93.53%.
• 基于IMU的系统证明了其作为传统VO2测量设备的实际替代品的有效性.

结论:

• 使用基于IMU的系统的混合ML方法显示了准确的VO2估计和HS检测的巨大潜力.
• 开发的系统为生理监测提供了一个轻量级和实用的解决方案.
• 建议使用多种数据集进行进一步验证,以提高模型的通用性.