基于脚压的异常步态识别与多尺度交叉注意力融合

科学领域:

• 生物医学工程 生物医学工程
• 计算机科学 计算机科学
• 神经学 神经学

背景情况:

• 识别异常的步态对于诊断和监测神经和肌肉骨疾病至关重要.
• 现有的方法可能缺乏对细微步态分析所需的精度.

研究的目的:

• 开发和验证MSCAF-Gait,一个多尺度交叉注意力融合网络,用于使用脚压传感器识别异常的步态.
• 引入压力鞋底异常步行 (PIAG) 数据集,用于研究步行异常.

主要方法:

• 使用了具有通道和空间注意力机制的多尺度卷积模块.
• 整合了一个新的交叉注意力融合模块,用于增强特征表示.
• 开发并使用PIAG数据集,以及GaitinPD数据集,用于模型评估.

主要成果:

• 在帕金森症步态识别中获得了99.61%的准确性,在GaitinPD数据集上在帕金森症严重程度分类中获得了98.88%的准确性.
• 在PIAG数据集上达到99.42%的准确性,其中包括各种异常步态模式.
• 展示了一个轻量级的架构,减少了计算负载 (FLOP和参数).

结论:

• MSCAF-Gait有效地识别出异常的步态模式,并具有很高的准确性.
• 该模型的计算效率使其适合于可穿戴设备上的实时应用.
• PIAG数据集为推进异常步态识别研究提供了宝贵的资源.