使用消费者现实的可穿戴传感器位置和深度学习估计下肢关节时刻 - - 找到准确性和消费者生存能力之间的平衡

科学领域:

• 生物力学 生物力学
• 运动科学 运动科学 运动科学
• 可穿戴技术可穿戴技术

背景情况:

• 精确测量下肢关节的动量对于理解跑步的生物力学和预防伤害至关重要.
• 现有的方法通常需要实验室设置,限制现实世界的应用.
• 可穿戴式传感器为可访问的现场生物机械分析提供了潜在的解决方案.

研究的目的:

• 通过可穿戴传感器的原始数据来估计跑步机运行期间的下肢斜腰平面关节时刻.
• 评估减少传感器位置数量对这些估计准确性的影响.
• 为开发一个实用,面向现场的工具来分析运行生物力学做出贡献.

主要方法:

• 利用来自可穿戴传感器的原始数据,放置在消费者现实的位置 (例如,手腕,手臂带,胸部带).
• 训练有素的长期短期记忆 (LSTM) 模型使用来自50名混合能力跑步者的数据,跨越各种速度和梯度.
• 通过将估计的关节时刻与从基于标记器的动力学和通过反向动力学的仪器化跑步机动力学得出的标准信号进行比较,验证了模型准确性.

主要成果:

• 使用所有传感器位置的模型实现了最低的估计误差:12.1% (部),9.0% (膝盖) 和6.7% (脚) 的相对根平均平方误差 (rRMSE).
• 减少传感器输入并没有显著影响准确性;手腕和脚的组合只增加了~1%的误差.
• 这表明,精确的关节矩估计在有限数量的可穿戴传感器上是可行的.

结论:

• 穿戴式传感器数据可以可靠地估计跑步期间下肢关节的时刻.
• 减少传感器配置,如手腕和脚的位置,保持可接受的准确性.
• 这项研究支持开发可访问的工具,让跑步者在现实环境中深入了解他们的关节机制.