一个开源,外部验证的神经网络算法,以识别老年人的日常生活步态,基于下背传感器
Yuge Zhang1, Sjoerd M Bruijn1, Michiel Punt2
1Department of Human Movement Sciences, Faculty of Behavioural and Movement Sciences, Amsterdam Movement Sciences, Vrije Universiteit Amsterdam, Van Der Boechorststraat 7, 1081 BT, Amsterdam, The Netherlands.
Medical & biological engineering & computing
|October 22, 2025
概括
一个开源的步态识别系统使用腰部传感器准确地识别了老年人的步行模式. 数据增强显著改善了模型性能,特别是对于仅使用加速数据的模型.
科学领域:
- 生物医学工程 生物医学工程
- 老年学是指老年学的学科.
- 机器学习 机器学习
背景情况:
- 步态识别对于老年人跌倒风险评估和康复至关重要.
- 目前的模型由于局限性而难以在现实世界中应用.
- 为老年人开发可访问,准确的步态分析工具是优先事项.
研究的目的:
- 使用传感器数据为老年人创建一个开源的步态识别系统.
- 评估数据增强对模型训练和性能的影响.
- 评估卷积神经网络 (CNN) 在这个人口群体中进行步态分析的有效性.
主要方法:
- 美国有线电视新闻网 (CNN) 接受了来自20名老年人的腰部惯性传感器数据的训练.
- 该模型使用了6通道 (加速和角速度) 和3通道 (仅加速) 数据.
- 应用了数据增强技术,并分析了它们的影响.
- 对47名老年人的单独队列进行了外部验证.
主要成果:
- 最好的三通道模型在测试数据集上实现了96.5%的准确性.
- 最好的6通道模型在测试数据集上实现了91.4%的准确性.
- 这两种模型在外部验证数据集上都显示了近乎完美的分数.
- 数据增强对于3通道 (仅加速) 模型尤其有益.
结论:
- 在老年人中,CNN有效地识别日常生活的步态,使用下背惯性传感器数据.
- 开发的系统显示了高准确性和通用性.
- 数据增强是增强步态识别模型的一个有价值的技术,特别是在有限的传感器通道的情况下.
