步行事件检测和步行参数估计从单个腰部佩戴的IMU传感器
相关实验视频
Updated: Jan 13, 2026
07:24
Home-Based Monitor for Gait and Activity Analysis
Published on: August 8, 2019
7.2K
Roland Stenger1, Hawzhin Hozhabr Pour1, Jonas Teich2
1Institute for Medical Informatics, University of Lübeck, 23562 Lübeck, Germany.
Sensors (Basel, Switzerland)
|October 29, 2025
概括
一个腰部穿戴的惯性测量单元 (IMU) 传感器准确地估计了步态事件和参数. 一个卷积神经网络 (CNN) 算法在检测脚跟撞击和脚脱落方面取得了很高的准确性,优于其他方法.
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:
- 步态变化与跌倒风险和神经系统疾病有关.
- 惯性测量单元 (IMU) 传感器提供持续的步态监测.
- 腰部穿戴的IMU方便用于步态分析,可通过皮带或智能手机使用.
研究的目的:
- 为了评估使用腰部穿戴的IMU数据估计步行事件和参数的准确性.
- 为了比较两个机器学习 (ML) 序列对序列 (Seq2Seq) 模型进行步态分析.
- 根据GAITRite®系统验证ML模型的性能.
主要方法:
- 利用了69名受试者的数据,包括17643步和3588次步行.
- 实现并比较了两种基于ML的Seq2Seq算法:卷积神经网络 (CNN) 和长短期记忆 (LSTM).
- 评估了步态事件检测 (跟撞,脚脱落) 和步态长度估计的准确性.
主要成果:
- 基于CNN的算法在LSTM方法上表现出卓越的性能.
- 实现了98.94%的准确性用于脚跟撞击检测和98.65%的准确性用于脚脱落检测.
- 获得了步骤长度估计的0.09 ± 4.69厘米的平均误差.
结论:
- 腰部佩戴的IMU传感器与基于CNN的ML模型相结合,提供准确的步态事件和参数估计.
- 这项技术有可能用于非侵入性监测步态动态和跌倒风险评估.
- 这些发现支持使用可穿戴传感器进行临床步态分析和早期检测运动障碍.
