基于 IMU 信号图像表示与深度 CNN 的步态衰弱评估
计算机视觉与模式识别
2021-10-18 v1 机器学习
信号处理
摘要
衰弱是老年人中一种常见且严重的状况，可能导致健康状况进一步恶化。然而，基于活动相关问卷的传统衰弱评估存在困难和复杂性。通过监测衰弱对步态的影响可以克服这些问题。本文表明，通过将步态信号编码为图像，可以利用基于深度学习的模型进行步态类型分类。提出了两种深度学习模型：(a) 基于单步幅输入图像的 SS-CNN，和 (b) 基于连续 3 个步幅的 MS-CNN。结果表明，MS-CNN 表现最佳，准确率达到 85.1%，而 SS-CNN 的准确率为 77.3%。这是因为 MS-CNN 能够观察到更多与步幅间变化相对应的特征，而步幅间变化是衰弱的关键症状之一。使用 STFT、CWT 和 GAF 将步态信号编码为图像。虽然使用 GAF 图像的 MS-CNN 模型取得了最佳的整体准确率和精确率，但 CWT 的召回率略高。本研究表明，如何利用图像编码的步态数据来充分发挥深度学习 CNN 模型在衰弱评估中的潜力。
引用
@article{arxiv.2110.07821,
title = {Gait-based Frailty Assessment using Image Representation of IMU Signals and Deep CNN},
author = {Muhammad Zeeshan Arshad and Dawoon Jung and Mina Park and Hyungeun Shin and Jinwook Kim and Kyung-Ryoul Mun},
journal= {arXiv preprint arXiv:2110.07821},
year = {2021}
}
备注
Accepted in 43rd Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC 2021)