从可穿戴惯性传感器中估计动态脚部压力分布,使用混合CNN-BiLSTM架构
Yihan Qian1, Dong Sun1, Zifan Xia1
11Faculty of Sports Science, Ningbo University, Ningbo, China.
Acta of bioengineering and biomechanics
|September 22, 2025
概括
这项研究提出了一种具有成本效益的深度学习方法,使用可穿戴传感器准确预测行走过程中脚部压力分布. 这项创新有助于临床诊断和体育表现优化.
科学领域:
- 生物力学 生物力学
- 可穿戴技术可穿戴技术
- 机器学习 机器学习
背景情况:
- 脚部压力分布对于步态分析,临床诊断和运动优化至关重要.
- 传统方法通常很昂贵,需要实验室设置.
- 需要准确,便携且具有成本效益的足部压力测量解决方案.
研究的目的:
- 开发一种具有成本效益和准确的方法来预测脚部压力分布.
- 利用可穿戴的惯性测量单元 (IMU) 和深度学习进行步态分析.
- 通过便携式设备实现实时步态监控.
主要方法:
- 开发了一个混合深度学习模型,结合了卷积神经网络 (CNN) 和双向长短期记忆 (BiLSTM).
- 美国有线电视新闻网提取了当地特征,BiLSTM捕获了时间依赖,注意力机制优化了预测.
- 身体重量信息被整合,以考虑到个体变化.
主要成果:
- 该模型在10倍交叉验证中实现了0.98的平均平方误差和0.89的结构相似度指数.
- 显示出出色的预测准确度和足部压力分布的高度相似性.
- 验证了混合深度学习方法的有效性.
结论:
- 这项研究为脚部压力分析提供了具有成本效益的解决方案.
- 开发的方法适合集成到可穿戴设备中,以实时监控步态.
- 潜在的应用包括康复,运动优化和临床诊断.
