评估基于深度学习的事件检测,用于在帕金森病复杂步行期间进行参数估计

科学领域:

• 生物力学 生物力学
• 可穿戴技术可穿戴技术
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 尽管可穿戴传感器的进步,但超出稳定状态步态 (SSG) 的复杂步行任务的量化仍然具有挑战性.
• 需要可靠的方法来分析实际环境中的步态.

研究的目的:

• 评估基于惯性传感器的处理管道,用于量化复杂的行走任务.
• 评估一种深度学习方法,用于在步伐细分和随后的步态参数计算期间检测事件.

主要方法:

• 使用时间卷积网络 (TCN) 进行步伐细分.
• 采用已确定的方法进行轨迹重建和参数提取.
• 与压力行走道作为稳定状态步态 (SSG),转,步态启动 (GI) 和步态终止 (GT) 步骤的参考系统进行验证.

主要成果:

• 获得了SSG步骤的小平均误差 (≤1毫秒时间,≤2.3厘米空间) 和强相关性 (r ≥0.96).
• 对于转向,GI和GT步骤 (≤7毫秒时间,≤2.9厘米空间;r ≥0.95) 证明了类似的高性能.

结论:

• 惯性测量单元 (IMU) 通过使用 TCN 事件检测和 Gaitmap 函数推导的步态指标可靠地量化了简单和复杂的行走任务中的步态.
• 拟议的方法提供了一个强大的方法来理解在不同环境中的流动性.