通过合成时间序列和视觉数据预测步行稳定性
Mauricio C Cordeiro1, Ciaran O Cathain2,3,4, Vitor B Nascimento5
1Department of Engineering & Informatics, Technological University of the Shannon, Athlone, Ireland.
Frontiers in sports and active living
|August 29, 2025
概括
合成数据准确地复制了老年人的步态参数,使得经过训练的模型能够在预测步态稳定性方面超越现实数据模型. 主要预测因素包括步幅,BMI和跌倒史.
科学领域:
- 生物力学
- 计算机视觉
- 老年学
背景情况:
- 评估老年人的步行稳定性是很困难的,因为数据有限和测量复杂,特别是在资源有限的环境中.
- 现有的方法往往需要专门的设备, 阻碍在弱势群体中广泛应用.
研究的目的:
- 调查合成数据是否可以准确地复制老年人的步态参数.
- 评估在合成数据上训练的模型对预测稳定性边际 (MoS) 的有效性.
- 确定影响老年人MoS预测的关键生物力学特征.
主要方法:
- 采用基于约束的合成数据生成 (SDG) 方法,使用健康老年人的公共数据集.
- 使用智能手机拍摄的视频和MediaPipe算法来获取地标,确保低成本的可访问性.
- 通过元数据配置和等级相关性约束,SDG方法保留了生物力学关系.
主要成果:
- 合成数据在复制步态参数和维持生物力学关系方面取得了高准确性 (97.09%).
- 仅在合成数据 (TSTR) 上训练的模型表现优于实际数据训练的模型 (TRTR),预测错误 (RMSE,MAE,MSE) 显著减少,差异解释得到改善 (R2).
- SHAP分析证实,合成数据方法使特征与已确定的生物力学原理保持一致,强调步幅,BMI和跌倒史作为关键预测因素.
结论:
- 合成数据生成是一种可行的方法来克服老年人的步态分析中的数据短缺.
- 合成数据训练模型显著提高了与实际数据训练模型相比的步态稳定性 (MoS) 的预测准确性.
- 这种利用可访问的计算机视觉技术的方法为在资源有限的环境中改善临床步行评估提供了有希望的途径.
