Core Concepts
Tiefe Lernmodelle können die Druckwerte von Gangzyklen genau vorhersagen, was für Anwendungen wie Rehabilitationsfortschrittsüberwachung, Sturzrisikobewertung, Sturzvorhersage und Unterstützung von Exoskelettbewegungen nützlich sein kann.
Abstract
Die Studie verwendet Daten von Drucksensoren in Schuheinlagen, um tiefe Lernmodelle zu entwickeln, die Druckwerte für den rechten Fuß vorhersagen können. Es werden zwei experimentelle Setups untersucht:
"By trial": Kurzfristige Vorhersage innerhalb eines einzelnen Gangzyklus. Die besten Ergebnisse werden mit dem Bidirektionalen LSTM-Modell erzielt, das eine durchschnittliche RMSE von 0,124346 und einen minimalen RMSE von 0,060675 erreicht.
"By participant": Langfristige Vorhersage über mehrere Gangzyklen hinweg. Das CNN+RNN-Ensemble-Modell erzielt die besten Ergebnisse mit einer durchschnittlichen RMSE von 0,194171 und einem minimalen RMSE von 0,106365. In einigen Fällen übertrifft das Bidirektionale LSTM-Modell leicht das CNN+RNN-Modell, allerdings auf Kosten einer höheren Komplexität und Laufzeit.
Die vorgeschlagenen Modelle können den gesamten Versuchsablauf für einen Teilnehmer genau vorhersagen, wenn sie mit den Versuchen desselben Teilnehmers trainiert und validiert werden.
Stats
Die Druckwerte der Sensoren sind in Pfund-Kraft (lbf) angegeben.
Quotes
Keine relevanten Zitate gefunden.