Jul, 2023

采用腰部佩戴加速度计自动检测步态事件和行走距离，跨越典型的步行和跑步速度范围

PDF
TL;DR通过机器学习技术，商用智能手机的加速度计数据可以在不同行走速度下准确地测量子病和典型发育儿童的步数、行走距离、步长等步态临床特征，为社区基础的可穿着加速度计的行动性评估提供可能。
accelerometer datagait clinical featuresmachine learningduchenne muscular dystrophysmartphone
发现论文，激发创造
  • 基于智能手机在野外进行的深度学习步态识别

    使用智能手机的惯性传感器，以无约束状态采集步态数据，通过深度学习技术学习建模，提出了一种有效的步态识别方法，使得人员身份鉴别和认证性能高于 93.5% 和 93.7%。

    Nov, 2018

  • 基于混合 CNN-RNN 的深度学习模型和单个腰部可穿戴传感器的步态事件预测

    本研究旨在探索使用单个腰部传感器和深度学习模型提高老年人步态事件检测的准确性，结果表明使用带有注意机制和双向机制的 CNN-RNN 混合模型有望实现准确的步态事件检测，有助于未来可穿戴设备的远程健康监测和诊断。

    Feb, 2022

  • 使用智能手机的加速度计数据进行人员识别

    该论文提出了一种利用手机内置的加速度计传感器数据来识别用户身份的方法，通过建立一个随机森林分类模型，从步行数据样本中提取时间和频率信息特征。实验结果表明，该模型具有 0.9679 的准确率和 0.9822 的曲线下面积（AUC），可为智能手机提供一种低成本、高效的用户身份认证方法。

    Nov, 2017

  • 野外使用 FMCW 雷达进行步长测量

    通过雷达点云检测和跟踪以及多普勒速度剖面技术，在医疗环境和家庭环境中验证了一种基于雷达的步长测量方法，该方法在临床设置中的误差仅为 4.5 厘米 / 8.3%，在非受控家庭环境中显示出良好的可靠性和准确性。

    Jan, 2024

  • 利用可穿戴心电图和加速度传感器实现跌倒检测的智能应用

    本研究使用多个应用组件来研究坠落检测系统的开发挑战和选择，并提供未来研究材料。该系统使用加速度计和 ECG 传感器进行测试，并通过 ResNet152 模型在标准化和洗牌数据集上取得了最佳表现，实现了 92.8% 的 AUC，87.28% 的灵敏度和 98.33% 的特异度。

    Jun, 2022

  • CareFall：基于可穿戴设备和 AI 方法的自动跌倒检测

    本研究提出了基于可穿戴设备和人工智能的自动跌倒检测系统 CareFall，并采用机器学习的方法，通过加速度计和陀螺仪等信息，提高跌倒检测的准确率，旨在为老年人提供智能、用户友好的解决方案来减轻跌倒的负面后果。

    Jul, 2023

  • 可穿戴传感器在重症监护病房中评估患者重要性的潜力

    通过结合可穿戴传感器数据和电子健康记录，利用人工智能技术开发的新的病情评估得分模型可以成功区分危重病患者的稳定和不稳定状态。

    Nov, 2023

  • Walk4Me：远程医疗社区移动性评估，一种早期诊断和疾病进展的自动化系统

    该研究介绍了 Walk4Me—— 一种基于人工智能检测步态特征的远程健康系统，可通过机器学习运用识别疾病相关的步态障碍及其变化，同时监测疾病的进展并为早期诊断和治疗提供信息。

    May, 2023

  • 可穿戴设备中推进无关位置和设备的运动活动识别

    我们通过对多个传感器位置的全面评估，确定了建立位置不变模型的关键身体部位，并开发了可部署的设备内动作模型，实现了 91.41％的帧级 F1 得分。我们还研究了不同位置数据的合成，以减轻数据收集任务的负担，从而推进低门槛、位置不变的活动识别系统的研究。

    Feb, 2024

  • 佩戴式运动传感器自动监测婴儿姿态和运动

    利用可穿戴式技术和机器学习算法实现对婴儿活动的自动记录和分类，有助于早期发现发育不良的婴儿并为神经发育障碍的预防和治疗提供新的方法。

    Sep, 2019