在非理想条件下强大的人类步行速度识别,用于悬挂辅助步行系统
Yongfei Feng1,2,3, Chunxiao Sang2, Lei Tian3
1Academy For Engineering and Technology Fudan University Shanghai China.
Healthcare technology letters
|November 20, 2025
概括
这项研究引入了一个新的深度学习框架,使用惯性测量单元 (IMU) 信号来准确估计步行速度. 混合CNN-BiLSTM模型在具有挑战性的条件下表现出色,改进了移动性评估和康复技术.
科学领域:
- 生物力学 生物力学
- 机器学习 机器学习
- 可穿戴技术可穿戴技术
背景情况:
- 准确的步行速度估计对于移动性评估和康复至关重要.
- 现有的方法在非理想条件下面临挑战,例如变速和环境干扰.
研究的目的:
- 使用IMU信号和混合深度学习模型开发可靠的步行速度估计框架.
- 在非理想的行走条件下解决当前方法的局限性.
主要方法:
- 在下肢上整合了六个IMU,以获得全面的运动数据.
- 采用混合卷积神经网络 (CNN) 和双向长期短期记忆 (BiLSTM) 深度学习模型.
- 使用先进的特征提取 (FFT,CWT) 和选择 (RF,PCA) 技术.
主要成果:
- 实现了卓越的性能,平均R2为95.2%和RMSE为0.0301 m/s.
- 在准确性方面表现优于个别的CNN,LSTM,GRU和BP模型.
- 传感器剥离和实时测试证实了模型的可靠性和在线适用性.
结论:
- 拟议的CNN-BiLSTM框架为步行速度估计提供了可靠,高精度的解决方案.
- 在可穿戴步态分析和智能辅助/康复系统方面展示了显著的潜力.
- 在非理想的环境中成功解决了步行速度估计的挑战.
