精确的步态评估和减少患者负担从胸部安装的加速计

科学领域:

• 生物力学 生物力学
• 可穿戴技术是可穿戴的技术.
• 机器学习是机器学习.

背景情况:

• 步行分析对于评估神经系统疾病中的运动障碍至关重要.
• 目前的方法往往涉及繁的设备,限制了现实世界的应用.
• 需要在临床试验和日常监测中进行准确的,非侵入性的步态评估.

研究的目的:

• 调查胸部加速数据的有效性,以估计步态参数.
• 为了利用波纹分析和机器学习进行步态分析,使用胸部安装的传感器.
• 评估持续步态监测的最少侵入性方法的可行性.

主要方法:

• 利用胸部加速数据和波纹分析.
• 应用机器学习模型,包括深度学习和通用倒置摆形模型.
• 经过验证的步进事件细分与动作捕获相对准确.

主要成果:

• 与运动捕捉相比,在步行时间 (RMSE 0.043s) 和静止时间 (RMSE 0.067s) 中实现了较低的错误率.
• 估计的步伐长度与RMSE的0.117m (深度学习) 和0.132m (倒置的摆形模型).
• 成功估计了其他步态参数,如工作因子和双支持续时间,性能各不相同.

结论:

• 胸部加速数据为步态分析提供了一种高效,非侵入性的方法.
• 这种方法可以提高可穿戴设备在临床环境和研究中的实用性.
• 经过验证的算法支持量化步态和移动性,同时减少患者的负担,并使心脏信号监测成为可能.