基于惯性传感器估算地面反作用力
机器学习
2024-09-20 v2 人工智能
摘要
目的:我们的目的是确定在稳态跑步期间使用惯性测量单元(IMU)收集的数据是否可用于估算地面反作用力(GRF)并使用轻量级机器学习方法推导生物力学变量(例如接触时间、冲量、速度变化)。相比之下,使用 LSTM 的最先进估算在边缘设备上推理时间过高,需要昂贵的训练和超参数优化,并产生黑盒模型。方法:我们提出了一种新型轻量级解决方案,即 SVD 嵌入回归(SER),利用 IMU 数据的 SVD 嵌入与 GRF 数据之间的线性回归。我们还将包括 SER 和 k-近邻(KNN)回归在内的轻量级解决方案与最先进的 LSTM 进行了比较。结果:我们进行了大量实验,在多种场景和 IMU 信号组合下评估这些技术,并量化了预测 GRF 和生物力学变量的估算误差。我们使用来自不同运动员、同一运动员或两者的训练数据来完成此工作,并探索了来自不同位置(骶骨和小腿)传感器的加速度和角速度数据的使用。结论:我们的结果表明,诸如 SER 和 KNN 等轻量级解决方案可以达到与 LSTM 相似或更高的精度。使用个人数据降低了所有方法的估算误差,特别是对于大多数生物力学变量(相较于 GRF);此外,这种增益在轻量级方法中更为明显。意义:GRF 的研究用于表征个体在跑步等运动中所经历的机械负荷,在临床上有用于识别有应力相关损伤风险的运动员。
引用
@article{arxiv.2311.02287,
title = {Estimating Ground Reaction Forces from Inertial Sensors},
author = {Bowen Song and Marco Paolieri and Harper E. Stewart and Leana Golubchik and Jill L. McNitt-Gray and Vishal Misra and Devavrat Shah},
journal= {arXiv preprint arXiv:2311.02287},
year = {2024}
}
备注
Accepted for publication at IEEE Transactions on Biomedical Engineering