基于惯性传感器的步态用户人口统计学估算框架

人类步态已被证明能为各种应用提供关键的运动线索。识别人类步态模式已广泛应用于安全、虚拟现实游戏、医疗康复和疾病识别等领域。此外，可穿戴惯性传感器不仅被广泛用于记录步态，还用于预测用户的人口统计学特征。机器学习技术（如深度学习）与惯性传感器信号相结合，在识别人类步态模式和估算用户人口统计学特征方面显示出令人鼓舞的结果。然而，此类深度学习模型的黑盒性质阻碍了研究人员揭示模型预测背后的原因。因此，我们提出利用深度学习和逐层相关性传播（LRP）来识别在确定用户年龄和性别等人口统计学特征中起关键作用的重要变量。为了评估该方法的有效性，我们在一个包含 745 名受试者的大型基于传感器的步态数据集上训练了一个深度神经网络模型，以识别用户的年龄和性别。利用 LRP，我们确定了表征步态模式的相关变量。从而，我们实现了对基于惯性信号识别用户人口统计学特征的非线性机器学习模型的可解释性。我们相信，这种方法不仅能为临床医生提供与年龄和性别相关的步态参数信息，还可扩展用于分析和诊断步态障碍。