相关实验视频
Updated: Jan 13, 2026
07:24
Home-Based Monitor for Gait and Activity Analysis
Published on: August 8, 2019
7.2K
基于惯性测量单元和脚压传感器数据的户外步行分类
Oussama Jlassi1, Jill Emmerzaal1, Gabriella Vinco2
1Department of Kinesiology and Physical Education, McGill University, Montreal, QC H2W 1S4, Canada.
Sensors (Basel, Switzerland)
|January 10, 2026
概括
这项研究开发了使用惯性测量单元 (IMU) 和压力传感器的自动行走条件分类工具. 以步行细分的下肢上的IMU为分类不同步行表面提供了最好的结果.
科学领域:
- 生物力学和人类运动分析
- 可穿戴式传感器技术
- 医疗保健中的机器学习
背景情况:
- 不同的行走面会显著改变行走模式.
- 步行条件的自动分类对于步行分析和康复至关重要.
- 目前的方法需要比较各种传感器模式和处理技术.
研究的目的:
- 开发和比较用于自动步行条件分类的工具.
- 评估不同传感器模式 (IMU,压力内) 和它们的组合的有效性.
- 评估步态周期细分与滑窗方法对分类性能的影响.
主要方法:
- 20名参与者在戴着IMU和压力内时,在各种表面 (平面,楼梯,斜坡) 上进行了行走试验.
- 机器学习 (极端梯度增强) 和深度学习 (CNN+LSTM) 模型被训练进行分类.
- 传感器模式包括下肢IMU,脚IMU,骨盆IMU,压力内和其组合.
主要成果:
- 使用下肢IMU与步行细分的深度学习模型实现了最高的性能 (F1=0.89).
- 基于IMU的模型显著优于压力内模型 (p<0.01).
- 性能最好的最小模型结合了骨盆IMU和使用滑动窗户 (F1=0.83) 的压力内.
结论:
- 惯性测量单位 (IMU) 为分类行走条件提供了最具区分性的特征.
- 深度学习模型在不需要步态细分的情况下表现出强的性能.
- 结合传感器模式可以提高分类准确性,特别是在机器学习模型中.
