通过基于软脚外骨架的IMU数据的深度学习,通过深度学习识别脑儿童的步态相位
Zhi Pang1, Zewei Li2, Ying Li3
1School of Health Science and Engineering, University of Shanghai for Science and Technology, Shanghai, China.
Frontiers in bioengineering and biotechnology
|September 26, 2025
概括
一个新的深度学习模型,SDA-LSTM,准确地识别了脑 (CP) 儿童的步态阶段. 这项技术有望改善CP患者的康复和辅助设备.
科学领域:
- 生物医学工程 生物医学工程
- 康复技术 康复技术 康复技术
- 人工智能在医学中的应用
背景情况:
- 准确的步行阶段识别对于脑儿童的有效康复至关重要.
- 现有的方法可能会在自然环境中与CP患者典型的复杂和杂的步态模式作斗争.
研究的目的:
- 开发和验证一个深度学习框架,用于精确识别CP儿童的步行阶段.
- 评估在噪音条件下拟议模型的稳定性.
主要方法:
- 提出了一种新的SDA-LSTM (堆叠无噪声自动编码器与长期短期记忆网络) 深度学习框架.
- 来自脚安装的IMU和脚部压力内的数据同步用于6名轻度CP的儿童.
- SDA层提取了特征,LSTM模块模拟了步态阶段分类的时间依赖.
主要成果:
- 在无噪声条件下,SDA-LSTM框架实现了97.83%的准确性,超过了SVM,随机森林和独立的LSTM.
- 该模型在添加高斯噪声下表现出强大的性能,在10 dB SNR.保持90.96%的精度.
- 该框架有效地处理了复杂和异质的步态模式.
结论:
- 该SDA-LSTM模型提供了一个高度准确和强大的解决方案,用于识别CP儿童的步行阶段.
- 这项技术在临床步态评估和与外骨架辅助系统的整合方面具有显著的翻译潜力.
