基于耳戴 IMU 的短序列步态循环分割方法——GCCRR
计算机视觉与模式识别
2024-10-01 v2 人机交互
摘要
本文解决了使用来自佩戴耳部的 IMU 短序列进行步态循环分割的关键任务，这是一种实用且非侵入性的用于患者运动功能受损监测和康复的方案。虽然先前的研究聚焦于下肢位置的 IMU，但耳戴式 IMU 在以最小侵入性捕获步态动力学方面具有独特优势。为解决使用短序列进行步态循环分割的挑战，我们提出了 Gait Characteristic Curve Regression and Restoration（GCCRR）方法，这是一种用于细粒度步态相位分割的 novel two-stage 方法。第一阶段将分割任务转化为对 Gait Characteristic Curve（GCC）的回归任务，GCC 是包含周期性信息的一维特征序列。第二阶段使用峰值检测技术恢复步态循环。本方法采用基于 Bi-LSTM 的深度学习算法进行回归，以确保短步态序列的可靠分割。在 HamlynGait 数据集上的评估表明，GCCRR 达到了 80% 以上的准确率，时间戳误差小于一个采样周期。尽管结果令人鼓舞，但其性能仍落后于使用更广泛传感器系统的方法，这凸显了需要更大规模、更具多样性的数据集的需求。未来工作将致力于利用运动捕捉系统进行数据增强和提高算法的通用性。
引用
@article{arxiv.2409.00983,
title = {GCCRR: A Short Sequence Gait Cycle Segmentation Method Based on Ear-Worn IMU},
author = {Zhenye Xu and Yao Guo},
journal= {arXiv preprint arXiv:2409.00983},
year = {2024}
}
备注
Accepted by EarComp2024