基于Smart Lacelock传感器的坐站转换检测与持续时间测量
机器学习
2026-04-02 v1 计算机视觉与模式识别
摘要
运动期间的姿势稳定性对独立生活、跌倒预防和整体健康至关重要，尤其是对经历与年龄相关的平衡、肌肉力量和行动能力下降的老年人。在日常功能性活动中，坐站(SiSt)转换是下肢力量、肌肉骨骼健康和跌倒风险的关键指标，使其成为评估功能能力和监测老年人群身体衰退的重要参数。本研究提出了一种使用Smart Lacelock传感器的SiSt转换检测和持续时间测量方法，该传感器是一种轻量级、鞋载设备，集成了力传感器、加速度计和陀螺仪用于运动分析。该方法在16名老年人（年龄：均值76.84岁，标准差3.45岁）中进行了评估，他们在简短体能表现测试(SPPB)方案下执行SiSt任务。从多模态信号中提取的特征被用于训练和评估四个机器学习分类器，使用4折参与者独立交叉验证对SiSt转换进行分类并测量其持续时间。装袋决策树分类器在分类SiSt转换时达到了0.98的准确率和0.8的F1分数。正确分类转换的持续时间测量的平均绝对误差为0.047，标准差为0.07秒。这些发现突显了Smart Lacelock传感器在现实世界中对老年人跌倒风险评估和行动能力监测的潜力。
引用
@article{arxiv.2604.00175,
title = {Sit-to-Stand Transitions Detection and Duration Measurement Using Smart Lacelock Sensor},
author = {Md Rafi Islam and Md Rejwanul Haque and Elizabeth Choma and Shannon Hayes and Siobhan McMahon and Xiangrong Shen and Edward Sazonov},
journal= {arXiv preprint arXiv:2604.00175},
year = {2026}
}
备注
10 pages, 11 figures