使用智能手机评估两分钟步骤测试:机器学习与分析数据处理相比的有效性
Gustavo de Oliveira Hoffmann1, Guilerme Parra Martini1, John G Buckley2
1Center for Motor Behaviour Studies, Department of Physical Education, Paraná Federal University, Centro Politécnico, Rua Herculano F. dos Santos, 100-Jardim das Américas, Curitiba 81530-000, PR, Brazil.
Sensors (Basel, Switzerland)
|March 14, 2026
概括
这项研究表明,智能手机可以在2分钟步骤测试 (2MST) 中跟踪大腿运动. 智能手机数据的机器学习分析与移动捕捉密切相匹配,提供比传统方法更准确的评估.
科学领域:
- 生物力学 生物力学
- 可穿戴技术可穿戴技术
- 机器学习在健康中的应用
背景情况:
- 两分钟步骤测试 (2MST) 被广泛使用,但通常仅通过步骤计数得分,忽视了运动质量.
- 在2MST期间评估大腿动力学可以提供对身体表现和功能移动性的更丰富的见解.
研究的目的:
- 评估使用智能手机传感器在2MST期间量化大腿动力学的有效性.
- 为了比较机器学习 (ML) 与分析数据分析 (AA) 的准确性,用于处理智能手机信号与移动捕获 (地面真相) 参考.
主要方法:
- 84名健康的成年人进行了2MST,同时将智能手机放在大腿上.
- 使用运动捕捉 (Vicon) 和智能手机同时记录角速度.
- 智能手机数据通过分析 (适应性Butterworth过) 和机器学习 (堆叠回归) 方法进行处理.
主要成果:
- 所有方法的步骤周期和持续时间都是一致的.
- 与移动捕捉相比,对智能手机数据的机器学习分析得出了峰值大腿角速度 (304 ± 37°·s-1) 与最小偏差 (1.0°·s-1) 以及狭窄的协议极限 (-15.4-17.5).
- 分析数据分析显示更大的偏差 (25.5°·s-1) 和更广泛的协议边界 (-49.8-100.8),表明约8%的误差.
结论:
- 戴在大腿上的智能手机可以有效量化2MST的性能,包括步数,时间和大腿角速度.
- 机器学习数据处理显著提高了基于智能手机的动力分析的准确性,与黄金标准的移动捕获密切匹配.
- 这种方法提供了一种可行且准确的方法来评估2MST的性能,而不仅仅是简单的步数计数.
