Data-Efficient Continuous Walking Fatigue Prediction using Kinect Stride Features
Deze studie presenteert een data-efficiënt raamwerk dat gebruikmaakt van een initiële loophandtekening van 200 seconden en een nieuwe Fuzzy Fusion transfer learning-strategie om nauwkeurig continue loopvermoeidheidstrajecten bij onbekende individuen te voorspellen, waardoor de beperkingen van dataschaarste bij traditionele deep learning-benaderingen worden overwonnen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Vermoeidheid is een stille dief die onze fysieke stabiliteit steelt lang voordat we ons volledig uitgeput voelen. In de wereld van de menselijke beweging verandert deze vermoeidheid de manier waarop we lopen, waardoor ons evenwicht verschuift en het risico op een val toeneemt. Decennialang hebben artsen en veiligheidsexperts geprobeerd deze achteruitgang te volgen, maar hun instrumenten waren vaak onhandig. Sommigen vertrouwen op mensen die simpelweg raden hoe moe ze zich voelen, wat onbetrouwbaar is omdat iedereen uitputting anders ervaart. Anderen gebruiken plak-elektroden die aan de huid zijn bevestigd om spiersignalen te meten, een methode die accuraat maar invasief en moeilijk te gebruiken is buiten een laboratorium. De uitdaging is geweest om een manier te vinden om een persoon te zien lopen en precies te weten hoe hun energie vervaagt in realtime, zonder draden, zonder om meningen te vragen en zonder een enorme computer nodig te hebben om de gegevens te verwerken.
Een team onderzoekers aan de Semnan Universiteit en de University of Social Welfare and Rehabilitation Sciences in Iran heeft een nieuwe manier ontwikkeld om dit probleem op te lossen. Ze creëerden een systeem dat de volledige reis van een persoon naar vermoeidheid kan voorspellen door hen slechts enkele minuten te observeren terwijl ze lopen. In plaats van te proberen een complex kunstmatige intelligentie-model te bouwen dat duizenden uren aan opgenomen gegevens vereist om te leren, gebruikten ze een slimmere, efficiëntere aanpak. Ze begonnen met het opnemen van vierentwintig gezonde jonge volwassenen terwijl zij op een loopband liepen tot ze te moe waren om door te gaan. Tijdens deze sessies observeerde een camerasensor, vergelijkbaar met de bewegingsvolgende apparaten in spelcomputers, hun gewrichten en mat hoe hun stappen veranderden naarmendeel ze moe werden. De onderzoekers vroegen de wandelaars ook om hun inspanning te beoordelen en maten hun spieractiviteit om een ware kaart te maken van hoe vermoeidheid er werkelijk uitziet.
De kern van hun ontdekking ligt in de manier waarop ze deze gegevens gebruikten. Eerst identificeerden ze acht specifieke manieren waarop het lichaam beweegt—zoals de hoek van de heup, de hoogte van de stap en de rotatie van de teen—die het meest opvallend veranderen naarmate een persoon vermoeid raakt. Vervolgens gebruikten ze een wiskundig zoekinstrument om de perfecte combinatie van deze bewegingen te vinden die overeenkomt met de werkelijke vermoeidheidsniveaus die door de sensoren en de eigen rapportages van de wandelaars zijn vastgelegd. Dit creëerde een bibliotheek van "vermoeidheidshandtekeningen", waarbij het unieke loopritme van elke persoon gekoppeld is aan een specifieke curve van vermoeidheid. De doorbraak kwam toen ze testten of ze de vermoeidheid van een nieuw persoon konden voorspellen die ze nog nooit eerder hadden gezien. Dit deden ze door de nieuwe persoon slechts 200 seconden te laten lopen. In die korte tijd analyseerde het systeem hun gang en vond de persoon in hun database die het meest vergelijkbaar liep.
De resultaten toonden aan dat een wandeling van 200 seconden genoeg was om een persoon met perfecte nauwkeurigheid te identificeren. Het systeem kon het verschil tussen de eigen loopstijl van een persoon en die van iemand anders met absolute zekerheid vaststellen. Zodra het systeem de dichtstbijzijnde overeenkomst in de database vond, kopieerde het niet simpelweg de vermoeidheidscurve van die persoon. In plaats daarvan gebrued het een geavanceerde mengmethode om de looppatronen van verschillende vergelijkbare mensen te combineren, waardoor een aangepaste voorspelling voor het nieuwe individu werd gemaakt. Deze aanpak, die de onderzoekers "fuzzy fusion" noemen, bleek veel nauwkeuriger dan simpelweg de enkelvoudige dichtstbijzijnde match kiezen of het gemiddelde van een paar buren nemen. Wanneer het werd getest op mensen die helemaal niet in de oorspronkelijke database zaten, voorspelde het systeem hun vermoeidheidstraject met een nauwkeurigheid van bijna 90 procent. Het verminderde de foutmarge met bijna de helft vergeleken met oudere methoden die alleen de dichtstbijzijnde match kozen.
Dit werk demonstreert dat we geen enorme hoeveelheden gegevens nodig hebben om complexe menselijke toestanden zoals vermoeidheid te begrijpen. Door te focussen op de specifieke, meetbare manieren waarop onze lichamen bewegen en door een kleine, goed gekozen groep voorbeelden te gebruiken, is het mogelijk om een systeem te bouwen dat voor iedereen werkt. De methode is snel, vereist geen draden en kan worden uitgevoerd met betaalbare technologie. Het biedt een praktisch pad naar het monitoren van vermoeidheid in real-world omgevingen, van het helpen van atleten om blessures te voorkomen tot het veilig houden van werknemers op de werkvloer, alles door simpelweg te kijken naar hoe ze lopen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.