使用深度学习进行时空步态数据的值预测
信号处理
2024-03-14 v1 机器学习
摘要
人类步态常被用于医疗状况的诊断与评估，以及监测治疗和康复过程中的进展。使用捕捉压力或运动的可穿戴传感器已产生多种技术，这些技术通过分析步态数据来辅助恢复、识别所进行的活动或识别个体。深度学习通常采用分类方法，已成功应用于计算机视觉、生物医学影像分析和自然语言处理等多种领域。我们将深度学习的应用扩展到时空步态数据时间序列的值预测。此外，我们探索了多种深度学习架构（循环神经网络（RNN）以及RNN与卷积神经网络（CNN）的结合），使用两种不同的实验设置进行短距离和长距离预测。我们的结果表明，短距离预测的RMSE低至0.060675，长距离预测的RMSE低至0.106365。此外，结果表明，当使用同一参与者的试验数据进行训练和验证时，所提出的深度学习模型能够预测整个试验过程。所提出的定制化模型与值预测相结合，为其他应用开辟了可能性，例如跌倒预测、居家康复进展监测、辅助外骨骼运动以及身份认证。
引用
@article{arxiv.2403.07926,
title = {Value Prediction for Spatiotemporal Gait Data Using Deep Learning},
author = {Ryan Cavanagh and Jelena Trajkovic and Wenlu Zhang and I-Hung Khoo and Vennila Krishnan},
journal= {arXiv preprint arXiv:2403.07926},
year = {2024}
}
备注
26 pages, 11 figures