使用定制仪表内与嵌入式机器学习进行步态分析:可行性研究

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:

• 准确的人类步态分析对于诊断和管理各种神经和肌肉骨疾病至关重要.
• 目前的步态分析方法往往需要专门的设备和受控的实验室设置,限制其可访问性.
• 需要适合临床和日常环境的便携式实时步态监测解决方案.

研究的目的:

• 开发和评估用于实时人类步行分析的无线仪表内.
• 将用于估计压力中心 (CoP) 和识别八个步态阶段 (8GP) 的机器学习模型直接嵌入到内的处理器中.
• 在临床和非临床环境中评估系统的性能.

主要方法:

• 开发一个带有嵌入式处理器 (ESP32微控制器) 的无线仪表内.
• 实施机器学习模型 (8GP的决策树,COP和垂直地面反应力 (vGRF) 的ANN),使用学科特定和跨学科策略进行训练.
• 用三名志愿者执行步行任务的验证,与力量平台进行数据比较.
• 通过Wi-Fi向主机PC进行实时数据传输以进行分析.

主要成果:

• 该系统实现了实时步态参数估计,采样速率为96Hz,完全嵌入处理.
• 具体学科模型的平均F1分数为步态阶段分类的0.74,而一般模型达到0.61.
• 人工神经网络在估计CoP (xCoP的R2=0.94,yCoP的R2=0.93) 和vGRF (R2=0.78) 中表现出高精度.

结论:

• 开发的无线仪器内为实时人类步行分析提供了可访问和准确的解决方案.
• 该系统的低成本,开源硬件设计有助于与康复技术的整合,并在包括日常生活在内的各种环境中使用.
• 这项技术具有远程患者监测,临床诊断和个性化康复策略的巨大潜力.