基于可穿戴传感器的个性化步数统计：一种域自适应 LSTM 网络方法

活动监测器被广泛用于测量各种身体活动（PA），作为 mobility、体能和总体健康的指标。类似地，步数纵向趋势的实时监测作为一种个性化的疾病相关日常活动变化度量，具有重要的临床潜力。然而，不同厂商、佩戴部位以及个体步态差异导致的步数统计精度不一致限制了其临床效用。PA 监测器内的三轴加速度计可被利用来改善跨设备和跨个体的步数精度。在本研究中，我们假设：（1）可以对原始三轴传感器数据建模以创建可靠且准确的步数统计；（2）随后可用极少的新数据将通用步数模型高效适配到每个独特步态模式。首先，使用开源原始传感器数据构建长短期记忆（LSTM）深度神经网络来建模步数。然后，我们使用不同设备和不同受试者生成了一个全新的、完全独立的数据集。最后，通过域自适应将少量受试者特定数据适配以产生具有高个体化步数精度的个性化模型。这些结果表明，使用大型自由可用数据集训练的模型可适配到缺乏大型历史数据集的患者群体。