相关实验视频
Updated: Mar 14, 2026
07:24
Home-Based Monitor for Gait and Activity Analysis
Published on: August 8, 2019
7.4K
使用自主监督学习手腕加速度计数据对日常生活步态的持续评估
Yonatan E Brand1,2, Aron S Buchman3, Felix Kluge4
1School of Biomedical Engineering, Tel Aviv University, Tel Aviv, Israel.
NPJ digital medicine
|March 13, 2026
概括
深度学习模型ElderNet现在通过手腕加速度计估计了步伐指标,如速度和步伐长度. 这项技术提供了一个可扩展的解决方案,用于评估老年人和步行障碍患者的运动能力.
科学领域:
- 老年学是指老年学的学科.
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 身体活动和流动性对于健康的衰老和各种健康结果至关重要.
- 用于监测身体活动的手腕加速度计是常见的,但从这些数据中进行步态度估计是困难的.
- 现有的方法很难使用可穿戴传感器准确评估步态参数.
研究的目的:
- 扩展ElderNet深度学习模型,从手腕加速度计数据估计步态指标.
- 验证ElderNet在不同人群中的表现,包括老年人和步行障碍患者.
- 将ElderNet的准确性与最先进的方法和下背传感器模型进行比较.
主要方法:
- 利用ElderNet,一个自我监督的深度学习模型,分析手腕加速度计数据.
- 在6个医疗中心的819名老年人 (Rush-Memory-and-Aging-Project) 和85名步行障碍者 (Mobilise-D) 的数据集上验证了该模型.
- 将ElderNet的性能与使用不同传感器放置的现有步态分析技术和模型进行了比较.
主要成果:
- 在Mobilise-D队列中,ElderNet在步行速度估计中取得了高准确度 (绝对误差:8.82厘米/秒,ICC:0.87),优于其他方法.
- 与竞争的方法相比,该模型在估计节奏和步伐长度方面表现出卓越的性能.
- 老年人网有效地对行动障碍进行了分类 (AUC = 0.80),超过了传统的步态和身体活动指标.
结论:
- 老年人网显示出作为一个可扩展的工具,用于使用随时可用的手腕穿戴设备进行步态评估的显著潜力.
- 该模型为监测老年人群和临床步行障碍患者的流动性提供了一个有希望的方法.
- 这一进步有助于在实验室环境之外更容易获得和更准确的步态分析.
