使用自主监督学习的手腕加速度计数据对日常生活步态的持续评估
Yonatan E Brand1,2, Aron S Buchman3, Felix Kluge4
1School of Biomedical Engineering, Tel Aviv University, Tel Aviv, Israel.
medRxiv : the preprint server for health sciences
|June 6, 2025
概括
深度学习模型ElderNet从手腕加速度计准确地估计了步伐指标,如速度和步伐长度. 这项技术提供了一个可扩展的解决方案,用于评估老年人和临床人群的移动性.
科学领域:
- 老年学是指老年学的学科.
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 身体活动和流动性对于健康的衰老和预测健康结果至关重要.
- 用于监测身体活动的手腕加速度计是常见的,但从这些数据中进行步态度估计是困难的.
- 现有的方法很难从基于手腕的传感器准确地捕获详细的步态参数.
研究的目的:
- 扩展ElderNet深度学习模型,用于从手腕加速度计中估计步态指标.
- 验证ElderNet在不同人群中的表现,包括老年人和步行障碍患者.
- 将ElderNet的准确性与最先进的方法和下背传感器模型进行比较.
主要方法:
- 利用ElderNet,一个自我监督的深度学习模型,分析手腕加速度计数据.
- 在两个队列中验证了该模型:819名老年人 (Rush Memory and Aging Project) 和85名步行障碍者 (Mobilise-D).
- 将ElderNet的步行速度,节奏和步伐长度估计与已知的方法和传感器位置进行了比较.
主要成果:
- 在Mobilise-D队列中,ElderNet在步行速度估计中取得了高准确度 (绝对误差8.82厘米/秒,0.87 ICC),优于其他方法.
- 与竞争的方法相比,该模型在估计节奏和步伐长度方面表现出卓越的性能.
- 老年人网有效地对行动障碍进行了分类 (AUC = 0.80),超过了传统的步态和身体活动指标.
结论:
- 老年人网提供了一种可扩展和准确的方法,用于使用随时可用的手腕穿戴设备进行步态评估.
- 这种方法提高了监测老化和临床环境中的流动性的能力.
- 这些发现支持使用ElderNet来对不同人群进行客观和精确的步态分析.
