使用可穿戴传感器进行基于深度学习的步伐细分:数据量,传感器位置和任务的影响

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
• 数字健康数字健康

背景情况:

• 精确的步伐细分对于使用可穿戴传感器进行数字步行评估至关重要.
• 对深度学习模型的系统评估,以在各种移动任务中进行步骤细分,是有限的.

研究的目的:

• 开发和评估步伐细分的时间卷积网络 (TCN) 模型.
• 根据训练数据数量,传感器位置和运动复杂性来评估TCN模型性能.

主要方法:

• 利用了121名老年人 (有或没有帕金森病) 的数据.
• 开发并测试了用于步伐细分的TCN模型.
• 使用F1分数对行走,转动和静止/过渡动作进行评估的表现.

主要成果:

• 下肢传感器在5至10名训练参与者一起行走时获得了95%以上的F1分数.
• 脚上安装的传感器保持了高性能 (99.3%的步行,96.7%的转).
• 手腕传感器显示了显著的性能下降,特别是在复杂的运动 (如72.3%的转动) 期间.

结论:

• 步伐细分模型的性能高度依赖于传感器位置和运动复杂性.
• 脚上安装的传感器在各种任务中提供了强大的步态分析.
• 简单的行走过程中的表现并不一般化为复杂的日常运动,需要量身定制的测试.