基于深度卷积神经网络的传感器步态参数提取

测量与步态相关的生物力学参数是客观步态障碍评分的基本原理。然而，从惯性传感器数据中提取这些参数的最先进的二次积分方法由于其潜在的假设而在临床适用性上受到限制。为了克服这一点，我们提出了一种基于深度卷积神经网络的方法，将可穿戴传感器提供的抽象信息转化为与上下文相关的专家特征。在移动步态分析方面，这实现了无需积分的、数据驱动的 8 个时空步态参数的提取。为此，我们比较了两种建模方法：一种是估计所有感兴趣参数的组合网络，另一种是为每个参数单独生成较简单网络的集成方法。在当前应用中，集成方法优于组合建模。在一个具有临床相关性且公开可用的基准数据集上，我们估计的步长、步宽和足偏角内外侧变化分别达到 ${-0.15\pm6.09}$ cm、${-0.09\pm4.22}$ cm 和 ${0.13 \pm 3.78^\circ}$。步态周期时间、摆动相时间和支撑相时间以及足跟和足趾接触时间分别估计达到 ${\pm 0.07}$、${\pm0.05}$、${\pm 0.07}$、${\pm0.07}$ 和 ${\pm0.12}$ s。这与现有技术水平相当，并在部分方面超越或定义了现有技术水平。我们的结果进一步表明，所提出的方法论变革可以替代基于假设的二次积分方法，并在临床关键情况（如痉挛性步态障碍）下实现时空步态参数的移动评估。