一种利用惯性传感器建模与分类坐站运动学的新方法
机器学习
2023-01-11 v1 机器人学
信号处理
摘要
坐站转移是日常生活活动的重要部分，并在人体功能活动能力中发挥关键作用。由于衰弱及帕金森病等运动障碍患者的影响，坐站运动常在老年人中受损并导致跌倒。研究坐站转移的运动学可为受影响人群的评估、监测与康复策略开发提供见解。我们提出一种三节段身体模型，仅使用置于小腿与背部的两个可穿戴惯性传感器估计坐站运动学。将传感器数量减至两个而非每节段一个，便于在长时间内监测与分类运动，佩戴更舒适同时降低传感器功耗。我们将此模型应用于 10 名年轻健康成人（YH）、12 名年老健康成人（OH）与 12 名帕金森病患者（PwP）。我们通过在基于扩展卡尔曼滤波的 angular 运动学重建模型中引入独特的坐站分类技术（使用无监督学习）实现了这一点。我们提出的模型显示，尽管未用惯性传感器测量大腿运动，仍可能成功估计大腿运动学。我们对 YH、OH 与 PwP 的坐站转移、坐姿与站姿分类准确率分别为 98.67%、94.20% 与 91.41%。我们提出了一种建模与分类相结合的新型集成方法，用于估计坐站运动中的身体运动学，并成功应用于 YH、OH 与 PwP 群体。
引用
@article{arxiv.2107.06859,
title = {A novel approach for modelling and classifying sit-to-stand kinematics using inertial sensors},
author = {Maitreyee Wairagkar and Emma Villeneuve and Rachel King and Balazs Janko and Malcolm Burnett and Ann Ashburn and Veena Agarwal and R. Simon Sherratt and William Holderbaum and William Harwin},
journal= {arXiv preprint arXiv:2107.06859},
year = {2023}
}
备注
25 pages, 11 figures