基于胫骨加速度预测后足跑中的步态事件:一种结构化机器学习方法
机器学习
2020-12-15 v3 机器学习
摘要
初始触地与离趾的步态事件检测对于跑步步态分析至关重要,可借此推导支撑时间等参数。基于启发式的方法可从胫骨加速度测量中估计这些关键步态事件。然而,这些方法针对非常特定的加速度剖面定制,在处理更大数据集及固有的生物学变异性时可能带来困难。因此,本文研究结构化机器学习方法能否从胫骨加速度测量中更准确地预测跑步步态事件时刻。基于力的事件检测作为标准测量,以评估预测步态事件的准确性、可重复性与敏感性。采用一种启发式方法和两种结构化机器学习方法,从胫骨加速度信号中推导初始触地、离趾与支撑时间。在93名后足跑者的数据上,结构化感知机模型(支撑时间估计中位绝对误差:10.00 8.73 ms)与结构化循环神经网络模型(支撑时间估计中位绝对误差:6.50 5.74 ms)均显著优于现有启发式方法(支撑时间估计中位绝对误差:11.25 9.52 ms)。因此,结果表明结构化循环神经网络机器学习模型在水平地面跑步中提供了最准确的步态事件及其推导支撑时间的估计。机器学习方法似乎较少受数据内个体内与个体间变异的影响,从而在后足地面跑步中实现准确高效的自动化数据输出。此外,还为长时间测量中的实时监测与生物反馈提供了可能,即便在实验室外亦可。
引用
@article{arxiv.1910.13372,
title = {Predicting gait events from tibial acceleration in rearfoot running: a structured machine learning approach},
author = {Pieter Robberechts and Rud Derie and Pieter Van den Berghe and Joeri Gerlo and Dirk De Clercq and Veerle Segers and Jesse Davis},
journal= {arXiv preprint arXiv:1910.13372},
year = {2020}
}