Nov, 2023

从惯性传感器预测地面反作用力

PDF
TL;DR本研究旨在确定是否可以使用惯性测量单元（IMUs）采集的数据来预测足底反作用力（GRF），以足够的准确性分析其衍生的生物力学变量，并比较简单的机器学习方法（如线性回归和 K 最近邻回归）与 LSTM 神经网络的效果。
ground reaction forcesinertial measurement unitsbiomechanical variableslstm neural networkslinear regression
发现论文，激发创造
  • 学习估计视频中人体运动的外力

    该研究提出利用视频推断人体生成的地面反作用力，引入基于 Transformer 的结构来解决此任务，并提供新的损失函数和多任务学习策略来改进建模精度，最终在两个数据集上的实验结果表明，相比于现有方法，该方案能减少多达 19％的误差。

    Jul, 2022

  • 基于惯性传感器的步态用户人口统计估计框架

    通过深度学习和层次相关性传播 (LRP)，识别重要变量以确定与年龄和性别相关的用户特征的方法，可以用于解释惯性信号识别用户年龄和性别的非线性机器学习模型。

    Feb, 2024

  • 应用可穿戴传感器测量的步态周期数据进行帕金森病早期检测的综合深度学习框架：CNN-GRU-GNN 方法

    我们提出了一种深度学习模型，利用步态周期数据集实现对帕金森病的二分类早期检测，通过使用 1D - 卷积神经网络（CNN）、门控循环单元（GRU）和图神经网络（GNN）层，协同地捕捉数据中的时序动态和空间关系，从而实现了非凡的性能表现，准确率、精确率、召回率和 F1 得分分别为 99.51%、99.57%、99.71% 和 99.64%。

    Apr, 2024

  • 利用惯性测量单元从车辆振动中学习位置

    本文提出一种新颖的车辆定位方法，其中不依赖于全球卫星导航系统，而是通过学习来自惯性测量单元（IMU）传感器的加速度计和陀螺仪测量值的道路特征标志，分别基于卷积神经网络和集成随机森林的手工特征方法学习道路特征，并提出一种实时推导车辆位置的算法。

    Mar, 2023

  • 神经网络与摩擦：滑动、保持、学习

    通过训练具有门控循环单元（GRU）结构的递归神经网络（RNNs），本研究证明它们具备学习合成数据中速率状态摩擦定律复杂动力学的能力。我们的方法的一个新颖之处在于定义了损失函数，明确考虑了初始条件、直接影响和训练过程中状态变量的演化。研究发现，具有 GRU 结构的 RNN 有效地学习预测由于速度跃变而引起的摩擦系数变化，从而展示了机器学习模型在理解和模拟摩擦过程物理学方面的潜力。

    Feb, 2024

  • 多分辨率物理信息循环神经网络：配方及应用于肌肉骨骼系统

    提出了一种多分辨率物理信息循环神经网络 (MR PI-RNN)，用于同时预测肌肉骨骼 (MSK) 运动和识别 MSK 系统参数，该方法利用快速小波变换将混合频率的表面肌电图 (sEMG) 和关节运动信号分解为嵌套的多分辨率信号，并且采用分层训练的方法设计了一个 GRU 预测模型，并通过逐步训练的方式获得全尺寸训练结果，在保持动态平衡的同时，提高了肘部屈伸运动的运动预测精度。

    May, 2023

  • LoBSTr：从稀疏的上半身跟踪信号实时预测下半身姿势

    本文引入一种基于神经网络的方法，通过上半身的追踪信号来实时预测下半身姿态和脚部接触概率，并使用速度表示来增加其可靠性，克服用户身体比例和规模的差异，同时通过逆运动学来保持身体接触以消除漂浮问题。该方法在多个定量评估中表现出了高效性，适用于商用 VR 设备的野外追踪数据。

    Mar, 2021

  • 基于 LSTM 的 GRACE 加速度计数据预测模型

    该研究提出了一种填补数据空缺和预测 GRACE 加速度计数据的方法，使用了 Long Short-Term Memory（LSTM）网络来训练一个能够预测三个轴加速度计数据的模型，并通过实验证明了该 LSTM 预测模型在填补数据空缺和预测 GRACE 加速度计数据方面的有效性。

    Aug, 2023

  • 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

  • 使用惯性传感器学习汽车速度以进行惯性导航

    使用深度神经网络和低成本六轴惯性测量单元，估算城市车辆行驶速度，并提出了简化的辅助航位推算方案，该方法具有较高的精度和位置测量能力。

    May, 2022