基于IMU导航的病性步态实时预测：面向可穿戴设备的少样本与生成学习框架
信号处理
2026-01-05 v2 机器学习
摘要
当前步态分析在诸多方面面临挑战，包括现有可穿戴电子设备数据库中数据有限且标注不完整、因隐私原因难以收集患者数据，以及零速度更新技术（ZUPT）在准确分析病性步态模式方面的不足。为此，我们引入GaitMotion，这是一个新型机器学习框架，利用通过可穿戴IMU传感器收集的多任务数据集进行少样本学习，以实现病性步态的实时分析。GaitMotion通过详细标注的序列提升数据质量，实现对步态步数和步幅的精准分割以及步幅长度估计，这些是诊断神经系统障碍所必需的。我们引入生成性数据增强组件，用于综合稀有或样本不足的病性步态模式。GaitMotion在步幅长度估计方面的精度比ZUPT提高了65%。此外，其通过迁移学习应用于真实患者数据集，确认了其稳健的预测能力。通过将生成式AI集成到可穿戴步态分析中，GaitMotion不仅细化了病性步态预测的精度，也为利用合成数据进行生物力学模式识别铺平了道路，为更个性化、数据高效的数字健康服务指明了方向。
引用
@article{arxiv.2405.09569,
title = {Real-Time Forecasting of Pathological Gait via IMU Navigation: A Few-Shot and Generative Learning Framework for Wearable Devices},
author = {Wenwen Zhang and Hao Zhang and Zenan Jiang and Amir Servati and Peyman Servati},
journal= {arXiv preprint arXiv:2405.09569},
year = {2026}
}