基于深度学习的运动胶带传感器数据低背部运动评估
机器学习
2026-02-13 v1
摘要
腰痛是影响人群中相当大比例的人的普遍问题，某些腰部运动会加重这种症状。对这些运动进行评估对于帮助医生 prescribe 适当的体能训练至关重要。然而，在诊室之外远程监测患者的运动可能比较困难。高保真度的运动捕捉传感器可用于对不同运动进行分类，但这些传感器成本高昂，不适用于在自由生活环境中使用。运动胶带 (Motion Tape, MT) 是一种新的基于布料的可穿戴传感器，解决了这些问题，具有低成本和便携性优势。尽管存在这些优势，但由于 MT 数据集规模小且传感器稳定性的新奇性和可变性，数据具有噪声特性。本文提出了运动胶带增强推理模型 (Motion-Tape Augmentation Inference Model, MT-AIM)，这是一种在 MT 数据上进行训练的深度学习分类管道。为了解决 MT 数据集中样本有限和噪声等问题，MT-AIM 利用条件生成模型生成所需运动的合成 MT 数据，同时预测关节运动学作为额外特征。这种合成数据生成和特征增强的结合，使 MT-AIM 能够在对 lower back 运动分类方面实现最先进的准确率，弥合了生理学传感与运动分析之间的差距。
引用
@article{arxiv.2602.11465,
title = {Assessing Low Back Movement with Motion Tape Sensor Data Through Deep Learning},
author = {Jared Levy and Aarti Lalwani and Elijah Wyckoff and Kenneth J. Loh and Sara P. Gombatto and Rose Yu and Emilia Farcas},
journal= {arXiv preprint arXiv:2602.11465},
year = {2026}
}