Oct, 2023

基于支持向量机的步态相位分类器使用胫骨惯性测量单元传感器

PDF
TL;DR基于 SVM 多类分类的步态相位分类方法准确识别七个相位，使用 IMU 传感器数据作为特征。该技术可成功分类不同步态相位，准确度达到 90.3%，对于外骨骼和假肢领域至关重要，可实现与辅助装置的无缝集成，提高行动能力、稳定性和能量效益。该研究扩展了步态学研究，提供了一种有效的方法，能从 Shank IMU 传感器数据中准确识别步态相位，并在生物力学研究、外骨骼、康复和假肢等领域有潜在应用。
发现论文，激发创造
  • 移动手机步态验证中传感器方向不稳定性问题

    该论文主要针对移动设备中的难点 - 传感器方向的不稳定性提出了解决方案并提出了一种基于统计分析和监督学习的新型步态识别方法，使用 PCA+SVM 构建步态模型，取得了优异的表现。

    Feb, 2016

  • 基于机器学习的步态分析在监测和管理下肢损伤中的重要性

    本研究探讨了步态分析作为评估下肢骨折患者的创伤后并发症，如感染、不正愈合或硬件刺激，的工具的潜力。研究关注了使用连续步态数据集预测并发症的监督式机器学习模型的效果。研究认为，机器学习，特别是 XGBoost，在骨科护理中的步态分析中有潜力，预测创伤后并发症，早期步态评估变得至关重要，揭示干预点，结果支持对骨科学的数据驱动方法的转变，提高患者的疗效。

    Sep, 2023

  • 基于时间序列加速度的深度学习模型解释年龄相关步态分类

    使用可解释的人工智能（如 SHAP）增强基于深度学习的步态分类模型的透明度，以区分不同年龄群体之间在步行过程中的加速度和减速度模式的差异。

    Nov, 2023

  • 可穿戴传感器与视频数据捕捉用于人体运动分类的研究

    本文比较了基于惯性测量单元 (IMU) 和基于视频的方法在军事按压和划船运动的人体运动分类中的表现，发现单个摄像头能比单个 IMU 提高 10 个百分点的分类准确率，而至少需要 3 个 IMU 才能超越单个摄像头。同时，使用基于多变量时间序列分类器进行原始数据处理的方法优于基于手工特征或自动提取特征的传统方法。最后，将单个摄像头和单个 IMU 的数据组合起来能超越任一数据模态，为使用智能手机摄像头和单一传感器进行有效的人体运动分类开辟了新的、更现实的途径。

    Jul, 2023

  • 用于人步态分析的机器人搭载 3D 相机的监督学习提高准确度

    本研究旨在通过应用监督式学习阶段来提高机器人安装的 3D 摄像头在人步态分析中的准确性，采用 37 名健康参与者的数据，使用神经网络对相机的原始估计进行后处理，并证明了这种方法的可行性和优越性。

    Jul, 2022

  • 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

  • 惯性导航系统中使用支持向量机确定欧拉角

    本文利用机器学习方法提高基于 MEMS 传感器的惯性导航系统的精度，并基于实验数据展示了算法的优越性。

    Dec, 2022

  • 利用加速度计与 GNSS 数据进行动物行为原位分类的多模态传感器数据融合

    本文研究了基于多种传感器数据（包括加速度计和全球定位系统）进行动物行为分类的方法，提出了两种不同的信息融合方法，其中基于后验概率的方法表现更好。实验结果表明，使用多种传感器数据可以明显提高分类性能，特别是针对步行和饮水等重要行为。

    Jun, 2022

  • 基于步态周期的学习策略，用于基于 sEMG 的膝关节轨迹连续预测

    通过表面肌电信号和步行周期启发的学习策略，该研究提出了一种模型，成功预测人体膝关节角度，并在相关文献中取得了至少 9.5% 的误差减少，为该领域的最佳表现。

    Jul, 2023

  • 从单模态到多模态：通过深度生成模型改进基于 sEMG 的模式识别

    通过使用深度生成模型生成虚拟惯性测量单元信号，将 sEMG 信号和生成的虚拟 IMU 信号输入多模态卷积神经网络模型，可以显著提高基于 sEMG 的手势识别的准确性。

    Aug, 2023