基于选择性相关性的知识蒸馏用于地面反作用力估计
计算机视觉与模式识别
2026-05-05 v1 人工智能
机器学习
图像与视频处理
信号处理
摘要
可穿戴传感器基于人体步态分析具有广阔的应用前景，涵盖医疗、康复、临床诊断与监测，以及运动等领域。尤其，地面反作用力（GRF）提供了关键信息，揭示身体在运动中与地面的相互作用，通常通过配备力量板的仪器化跑步机测量。然而，此类设备昂贵且局限于实验室环境。为实现更便携的解决方案，已尝试使用可穿戴鞋底传感器测量GRF。但这些传感器易受噪声和外部干扰影响，导致测量精度不足。深度学习方法虽可缓解此问题，但往往需要大量计算资源才能实现高精度，限制了其在便携设备上进行实时分析的应用。为此，我们提出一种基于选择性相关性的知识蒸馏方法（SCKD）用于从鞋底传感器数据估计GRF。我们的方法在提取特征以生成相关映射进行知识传递时，选取具有时序特性的特征，增强可解释性并缓解高维数据处理中的问题。我们通过与现有方法比较，展示了我们蒸馏框架生成的紧凑模型有效性。检讨了基于多种评估标准的多种教师-学生架构配置和训练方法，涉及不同步态速度和不同窗口大小收集的数据。实验结果表明，我们的方法在可穿戴鞋底传感器数据估计GRF方面优于现有方法。因此，我们的方法为人体步态分析提供了可靠且资源高效的解决方案。
引用
@article{arxiv.2605.00888,
title = {Selective Correlation Based Knowledge Distillation for Ground Reaction Force Estimation},
author = {Eun Som Jeon and Jisoo Lee and Huisu Lim and Omik M. Save and Hyunglae Lee and Pavan Turaga},
journal= {arXiv preprint arXiv:2605.00888},
year = {2026}
}