基于 IMU 的采用自监督学习的深度步幅长度估计
机器学习
2022-05-09 v1
摘要
利用惯性测量单元（IMU）传感器进行步幅长度估计作为医疗保健和运动训练的一项代表性步态参数，近年来日益受到关注。传统估计方法需要一些显式校准和设计假设。当前的深度学习方法受限于标记数据稀少的问题。为解决上述问题，本文提出一种单一卷积神经网络（CNN）模型，用于预测跑步和行走的步幅长度，并对每一步的跑步或行走类型进行分类。该模型在大型无标签数据集上通过自监督学习训练其前置任务以进行特征学习，并在小型标签数据集上通过监督学习训练其下游的步幅长度估计与分类任务。与先前方法在步幅长度估计上 7.44% 的平均百分比误差相比，所提模型在跑步和行走步幅长度回归上可达到更好的平均百分比误差 4.78%，在跑步和行走分类上准确率达 99.83%。
引用
@article{arxiv.2205.02977,
title = {IMU Based Deep Stride Length Estimation With Self-Supervised Learning},
author = {Jien-De Sui and Tian-Sheuan Chang},
journal= {arXiv preprint arXiv:2205.02977},
year = {2022}
}
备注
8 pages, 11 figures