修改后的扩展卡尔曼波器和基于长期短期记忆的框架,用于使用惯性传感器可靠的步伐长度估计
Sensors (Basel, Switzerland)
|February 27, 2026
概括
本研究引入了一种新的步态分析框架,使用长短记忆 (LSTM) 网络和先进的信号处理来准确估计步伐长度,改善预防跌倒的移动性评估.
科学领域:
- 生物医学工程 生物医学工程
- 可穿戴技术可穿戴技术
- 康复科学 康复科学 康复科学
背景情况:
- 步态分析对于检测诸如虚弱和跌倒等移动性问题至关重要,特别是在老年人群中.
- 准确的时空步态测量对于早期干预至关重要,但通常会受到传感器信号噪声和变化的阻碍.
- 现有的方法在强壮的步态表征方面扎,限制了它们的临床实用性.
研究的目的:
- 开发和验证一个新的步伐长度估计框架,将先进的信号处理与长短期记忆 (LSTM) 网络集成在一起.
- 为了提高可穿戴系统的步态分析的准确性和可靠性.
- 为了应对基于传感器的步态监测中噪音和信号变化所带来的挑战.
主要方法:
- 开发了一个处理和估计管道,包括基于波形的denoising和立方spline插值.
- 实现了具有动态增益调节的卡尔曼过阶段,以减轻暂时错误.
- 长期短期记忆 (LSTM) 网络被集成用于脚步长度估计,在使用修改后扩展卡尔曼波器 (EKF) 预处理的数据上进行训练.
主要成果:
- 拟议的框架显著提高了步伐长度估计的准确性,将绝对平均误差从29.78%降至7.77%.
- 误差的标准偏差从20.31下降到7.17,这表明一致性得到了增强.
- 在改造EKF预处理数据上训练的LSTM模型实现了0.0376的平均绝对误差 (MAE) 和0.7066.2的R2.
结论:
- 改进EKF预处理与LSTM学习的整合为步伐长度估计提供了强大且耐噪声的解决方案.
- 这种方法显著提高了可穿戴步态分析系统的可靠性.
- 该框架为临床诊断,康复监测和健康管理提供了宝贵的见解.
