Data-Efficient Continuous Walking Fatigue Prediction using Kinect Stride Features
Questo studio presenta un framework efficiente dal punto di vista dei dati che utilizza una firma del passo iniziale di 200 secondi e una nuova strategia di transfer learning Fuzzy Fusion per prevedere accuratamente le traiettorie continue della fatica del cammino in individui non visti, superando così le limitazioni di scarsità di dati degli approcci tradizionali di deep learning.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo
La fatica è un ladro silenzioso che ruba la nostra stabilità fisica molto prima che ci sentiamo completamente esausti. Nel mondo del movimento umano, questa stanchezza cambia il nostro modo di camminare, alterando l'equilibrio e aumentando il rischio di una caduta. Per decenni, medici ed esperti di sicurezza hanno cercato di monitorare questo declino, ma i loro strumenti sono stati spesso goffi. Alcuni si affidano al semplice fatto che le persone ipotizzino quanto si sentano stanche, il che non è affidabile perché ognuno percepisce l'esaurimento in modo diverso. Altri utilizzano elettrodi adesivi applicati sulla pelle per misurare i segnali muscolari, un metodo accurato ma invasivo e difficile da usare al di fuori di un laboratorio. La sfida è stata trovare un modo per osservare una persona mentre cammina e sapere esattamente come la sua energia stia svanendo in tempo reale, senza fili, senza chiedere opinioni e senza la necessità di un computer enorme per elaborare i dati.
Un team di ricercatori dell'Università di Semnan e dell'Università delle Scienze del Benessere Sociale e della Riabilitazione in Iran ha sviluppato un nuovo modo per risolvere questo problema. Hanno creato un sistema in grado di prevedere l'intero percorso di una persona verso la fatica osservandola camminare per soli pochi minuti. Inveve di cercare di costruire un modello di intelligenza artificiale complesso che richieda miglia di ore di dati registrati per imparare, hanno utilizzato un approccio più intelligente ed efficiente. Hanno iniziato registrando quarantadue giovani adulti sani mentre camminavano su un tapis roulant finché non erano troppo stanchi per continuare. Durante queste sessioni, un sensore a telecamera, simile ai dispositivi di tracciamento del movimento presenti nelle console per videogiochi, osservava le loro articolazioni e misurava come i loro passi cambiassero man mano che si affaticavano. I ricercatori hanno anche chiesto ai camminatori di valutare lo sforio e hanno misurato l'attività muscolare per creare una vera mappa di ciò che la fatica sia realmente.
Il cuore della loro scoperta risiede nel modo in cui hanno utilizzato questi dati. Per prima cosa, hanno identificato otto modi specifici in cui il corpo si muove — come l'angolo dell'anca, l'altezza del passo e la rotazione della punta del piede — che cambiano in modo più evidente mentre una persona si affatica. Hanno poi utilizzato uno strumento di ricerca matematica per trovare la combinazione perfetta di questi movimenti per corrispondere ai livelli reali di fatica registrati dai sensori e dai rapporti dei camminatori stessi. Ciò ha creato una libreria di "firme di fatica", dove il particolare schema di camminata di ogni persona è collegato a una specifica curva di stanchezza. La svolta è avvenuta quando hanno testato se fossero in grado di prevedere la fatica di una nuova persona che non avevano mai visto prima. Lo hanno fatto facendo camminare la nuova persona per soli 200 secondi. In questo breve tempo, il sistema ha analizzato la sua andatura e ha trovato la persona nel loro database che camminava in modo più simile.
I risultati hanno dimostrato che una camminata di 200 secondi era sufficiente per identificare una persona con perfetta precisione. Il sistema poteva distinguere lo stile di camminata di una persona da quello di chiunque altro con assoluta certezza. Una volta che il sistema ha trovato la corrispondenza più vicina nel database, non si è limitato a copiare la curva di fatica di quella persona. Al contrario, ha utilizzato un metodo di fusione sofisticato per combinare gli schemi di camminata di diverse persone simili, creando una previsione personalizzata per il nuovo individuo. Questo approccio, che i ricercatori chiamano "fusione fuzzy", si è rivelato molto più accurato rispetto al semplice scegliere il singolo match più vicino o alla media di alcuni vicini. Quando testato su persone che non erano affatto nel database originale, il sistema ha previsto la loro traiettoria di fatica con un'accuratezza vicina al 90 percento. Ha ridotto il tasso di errore di quasi la metà rispetto ai metodi più vecchi che si limitavano a scegliere il vicino più prossimo.
Questo lavoro dimostra che non abbiamo bisogno di enormi quantità di dati per comprendere stati umani complessi come la fatica. Concentrandoci sui modi specifici e misurabili in cui i nostri corpi si muovono e utilizzando un piccolo gruppo di esempi ben scelti, è possibile costruire un sistema che funzioni per chiunque. Il metodo è veloce, non richiede fili e può essere eseguito con tecnologie accessibili. Offre una via pratica per monitorare la fatica in contesti reali, dal aiutare gli atleti a evitare infortuni al mantenere sicuri i lavoratori sul lavoro, tutto semplicemente osservando come camminano.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.