Data-Efficient Continuous Walking Fatigue Prediction using Kinect Stride Features
Diese Studie präsentiert ein dateneffizientes Framework, das eine 200-sekündige initiale Gangsignatur und eine neuartige Fuzzy-Fusion-Transferlernstrategie nutzt, um kontinuierliche Gehermüdungstrajektorien bei unbekannten Individuen präzise vorherzusagen und dadurch die Datenknappheitsbeschränkungen traditioneller Deep-Learning-Ansätze zu überwinden.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Ermüdung ist ein stiller Dieb, der uns die körperliche Stabilität raubt, lange bevor wir uns vollkommen erschöpft fühlen. In der Welt der menschlichen Bewegung verändert diese Müdigkeit die Art und Weise, wie wir gehen, verschiebt unser Gleichgewicht und erhöht das Sturzrisiko. Seit Jahrzehnten versuchen Ärzte und Sicherheitsexperten, diesen Rückgang zu verfolgen, doch ihre Werkzeuge waren oft ungeschickt. Einige verlassen sich darauf, dass Menschen einfach schätzen, wie müde sie sich fühlen, was unzuverlässig ist, da jeder Erschöpfung unterschiedlich wahrnimmt. Andere verwenden am Körper haftende Elektroden, um Muskelsignale zu messen – eine Methode, die zwar genau, aber invasiv und außerhalb eines Labors schwierig anzuwenden ist. Die Herausforderung bestand darin, einen Weg zu finden, einen Menschen beim Gehen zu beobachten und genau zu wissen, wie seine Energie in Echtzeit nachlässt, ohne Kabel, ohne nach Meinungen zu fragen und ohne einen massiven Computer zur Datenverarbeitung zu benötigen.
Ein Forschungsteam der Semnan University und der University of Social Welfare and Rehabilitation Sciences im Iran hat einen neuen Weg entwickelt, um dieses Problem zu lösen. Sie haben ein System entwickelt, das die gesamte Reise eines Menschen in die Ermüdung vorhersagen kann, indem es ihn nur wenige Minuten lang beim Gehen beobachtet. Anstatt zu versuchen, ein komplexes Modell der künstlichen Intelligenz zu bauen, das tausende Stunden an aufgezeichneten Daten benötigt, um zu lernen, nutzten sie einen klügeren, effizienteren Ansatz. Sie begannen damit, zweiundvierzig gesunde junge Erwachsene aufzuzeichnen, während diese auf einem Laufband gingen, bis sie zu müde waren, um fortzufahren. Während dieser Sitzungen beobachtete ein Kamerasensor, ähnlich den Bewegungsverfolgungsgeräten in Videospielkonsolen, ihre Gelenke und maß, wie sich ihre Schritte veränderten, während sie ermüdeten. Die Forscher baten die Gehenden auch, ihre Anstrengung zu bewerten, und maßen ihre Muskelaktivität, um eine wahre Karte dessen zu erstellen, wie Ermüdung tatsächlich aussieht.
Der Kern ihrer Entdeckung liegt darin, wie sie diese Daten verwendeten. Zuerst identifizierten sie acht spezifische Arten, wie sich der Körper bewegt – wie etwa der Winkel der Hüfte, die Höhe des Schrittes und die Rotation der Zehen –, die sich am deutlichsten verändern, wenn eine Person ermüdet. Dann verwendeten sie ein mathematisches Suchwerkzeug, um die perfekte Kombination dieser Bewegungen zu finden, die zu den tatsächlichen Ermüdungsniveaus passt, die von den Sensoren und den eigenen Berichten der Gehenden aufgezeichnet wurden. Dies erstellte eine Bibliothek von „Ermüdungssignaturen“, bei denen das einzigartige Gangmuster eines jeden Menschen mit einer spezifischen Kurve der Erschöpfung verknüpft ist. Der Durchbruch gelang, als sie testeten, ob sie die Ermüdung einer neuen Person vorhersagen konnten, die sie zuvor noch nie gesehen hatten. Dies taten sie, indem sie die neue Person nur 200 Sekunden lang gehen ließen. In dieser kurzen Zeit analysierte das System ihren Gang und fand die Person in ihrer Datenbank, die am ähnlichsten ging.
Die Ergebnisse zeigten, dass ein 200-sekündiger Spaziergang ausreichte, um eine Person mit perfekter Genauigkeit zu identifizieren. Das System konnte den Unterschied zwischen dem eigenen Gangstil einer Person und dem eines jeden anderen mit absoluter Gewissheit feststellen. Sobald das System die engste Übereinstimmung in der Datenbank gefunden hatte, kopierte es nicht einfach die Ermüdungskurve dieser Person. Stattdessen verwendete es eine ausgeklügelte Mischmethode, um die Gangmuster mehrerer ähnlicher Personen zu kombinieren und so eine individuelle Vorhersage für das neue Individuum zu erstellen. Dieser Ansatz, den die Forscher als „Fuzzy Fusion“ bezeichnen, erwies sich als weita-lich genauer als das einfache Auswählen des nächsten Einzelwortes oder das Durchschnittsbild einiger Nachbarn. Bei Tests an Menschen, die überhaupt nicht in der ursprünglichen Datenbank enthalten waren, sagte das System deren Ermüdungsverlauf mit einer Genauigkeit von fast 90 Prozent voraus. Es reduzierte die Fehlerrate im Vergleich zu älteren Methoden, die lediglich den nächsten Treffer auswählten, um fast die Hälfte.
Diese Arbeit zeigt, dass wir keine massiven Datenmengen benötigen, um komplexe menschliche Zustände wie Ermüdung zu verstehen. Indem wir uns auf die spezifischen, messbaren Arten konzentrieren, wie sich unsere Körper bewegen, und eine kleine, gut gewählte Gruppe von Beispielen nutzen, ist es möglich, ein System zu bauen, das für jeden funktioniert. Die Methode ist schnell, erfordert keine Kabel und kann mit erschwinglicher Technologie durchgeführt werden. Sie bietet einen praktischen Weg zur Überwachung von Ermüdung in realen Umgebungen, sei es zur Unterstützung von Sportlern zur Vermeidung von Verletzungen oder zur Sicherheit von Arbeitern am Arbeitsplatz, indem man einfach beobachtet, wie sie gehen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.