基于混合 CNN-RNN 深度学习模型通过单个腰部可穿戴传感器进行步态事件预测
信号处理
2022-03-02 v1 人工智能
机器学习
摘要
老年人步态是有关其身心健康状况的丰富信息来源。作为下半身多个传感器的替代方案，骨盆处的单个传感器具有位置优势并可获取丰富信息。本研究旨在探索一种利用腰部单个传感器和深度学习模型提高老年人步态事件检测准确性的方法。数据采集自配备三个 IMU 传感器的老年受试者在行走过程中的数据。仅使用腰部传感器的输入来训练 16 个深度学习模型，包括 CNN、RNN 以及带或不带双向机制和注意力机制的 CNN-RNN 混合模型。真实值从足部 IMU 传感器提取。CNN-BiGRU-Att 模型在 ±6TS（±6ms）和 ±1TS（±1ms）的容差窗口下分别达到了 99.73% 和 93.89% 的相当高准确率。相较于先前探索步态事件检测的研究，该模型在预测误差方面显示出巨大改进，在 ±1TS 的容差窗口下，HS 和 TO 事件的 MAE 分别为 6.239ms 和 5.24ms。结果表明，使用带有注意力机制和双向机制的 CNN-RNN 混合模型对于利用单个腰部传感器进行精确步态事件检测具有广阔前景。本研究有助于减轻步态检测的负担，并增加其在未来可穿戴设备中的适用性，这些设备可用于远程健康监测或基于此的诊断。
引用
@article{arxiv.2203.00503,
title = {Gait Events Prediction using Hybrid CNN-RNN-based Deep Learning models through a Single Waist-worn Wearable Sensor},
author = {Muhammad Zeeshan Arshad and Ankhzaya Jamsrandorj and Jinwook Kim and Kyung-Ryoul Mun},
journal= {arXiv preprint arXiv:2203.00503},
year = {2022}
}
备注
10 pages