基于深度学习从可穿戴传感器加速度获取多维地面反作用力与力矩
计算机视觉与模式识别
2020-07-07 v3
摘要
监测运动员内部负荷暴露，包括预防灾难性非接触性膝关节损伤，依赖于定制早期预警检测系统的存在。该系统必须能够在接近实时及比赛期间，为运动动作估计准确、可靠且有效的肌肉骨骼关节负荷。然而，当前方法受限于实验室仪器，劳动与成本高昂，且需要高度训练的专业知识，从而限制了其生态效度和更广泛部署。朝此目标推进的一个有益下一步将是获取现场地面动力学的新方法。在此我们展示，从可穿戴传感器加速度计获得的运动学数据，可代替嵌入式力台，利用近期监督学习技术预测接近实时的多维地面反作用力与力矩（GRF/M）。竞争性的卷积神经网络（CNN）深度学习模型使用实验室得出的站立相 GRF/M 数据以及由近五十万 legacy 运动试验得出的跑步和侧切动作模拟传感器加速度进行训练。随后，由各模型基于独立实验室间数据采集环节中记录的五个传感器加速度进行预测。所提出的深度学习工作台对地面真值的最大离散 GRF 分量相关度为：垂直 Fz 0.97、前侧 Fy 0.96（均为跑步）和侧向 Fx 0.87（侧切），GRF 各分量记录的最强均值为 0.89，GRM 为 0.65（均为侧切）。这些最佳情况相关度表明了该方法的可行性，尽管结果范围令人失望。准确估计接近实时现场 GRF/M 的目标将因本研究的经验教训而得以改进[截断]。
引用
@article{arxiv.1903.07221,
title = {Multidimensional ground reaction forces and moments from wearable sensor accelerations via deep learning},
author = {William R. Johnson and Ajmal Mian and Mark A. Robinson and Jasper Verheul and David G. Lloyd and Jacqueline A. Alderson},
journal= {arXiv preprint arXiv:1903.07221},
year = {2020}
}