可访问的在家行走评估使用时空神经网络与视觉和动态数据

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:

• 传统的步态分析仅限于实验室,限制了现实世界的应用.
• 需要在临床环境之外提供可访问,具有成本效益的步态监测解决方案.

研究的目的:

• 使用消费电子产品开发和验证可访问的步态分析框架.
• 用多式传感器数据测量各种行走速度的步伐时间 (ST).

主要方法:

• 使用Apple Watch和视觉传感器系统进行数据收集.
• 采用了机器学习框架,结合了卷积神经网络 (CNN) 和双向长期短期记忆 (BiLSTM) 网络.
• 收集了八名参与者在半受控,真实世界模拟环境中的数据.

主要成果:

• 拟议的系统与基于红外标记的光学运动捕捉有很强的一致性,尤其是在步行速度较慢时.
• 成功计算了慢,正常和快速步行速度的步行时间 (ST).
• 验证了使用消费级传感器用于步态分析的可行性.

结论:

• 结合可穿戴和环境传感器,为准确,可访问的步态分析提供了一种可行的方法.
• 该框架为非临床环境中的定期移动性评估提供了成本效益高,用户友好的替代方案.
• 让有运动障碍的人可以方便地接受定期的步行评估.