双分支深度学习用于使用可穿戴IMU传感器和人体测量数据进行连续步行周期估计

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:

• 步行周期阶段预测对于临床评估和辅助设备控制至关重要.
• 可穿戴的惯性测量单元 (IMU) 提供了一个有前途的途径,用于不引人注目的步态监控.
• 准确的实时步态分析需要强大的模型,能够处理复杂的传感器数据.

研究的目的:

• 开发和验证一个卷积神经网络-长期短期记忆 (CNN-LSTM) 模型,用于预测步行周期阶段.
• 调查可穿戴IMU数据和人类特征对实时步态估计的实用性.
• 确定提高步态预测模型性能的关键动力学特征.

主要方法:

• 一个CNN-LSTM模型被用于步态周期阶段预测.
• 使用滑动窗口方法进行实时步态估计.
• 使用峰值检测和下肢长度数据计算了步行周期百分比.
• 特性选择侧重于IMU衍生动力学特征,特别是关节角度.

主要成果:

• 该CNN-LSTM模型实现了高准确性,其R平方值为0.911.
• 该模型在各种行走条件下表现出强大的性能.
• 特性选择成功地确定了增强模型性能的关键动力学特征.

结论:

• 开发的CNN-LSTM模型使用可穿戴IMU数据提供了准确的实时步行周期阶段预测.
• 这种方法支持个性化康复,早期检测异常步态和假肢控制的应用.
• 该模型依赖动力学数据,因此适用于临床和家庭步行评估.