Data-Efficient Continuous Walking Fatigue Prediction using Kinect Stride Features
本研究提出了一种数据高效型框架，该框架利用 200 秒的初始步态特征以及一种新颖的模糊融合迁移学习策略，来准确预测未知个体的连续步行疲劳轨迹，从而克服了传统深度学习方法在数据稀缺方面的局限性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
疲劳是一个无声的小偷，在我们在感到彻底力竭之前，就早已窃取了我们的身体稳定性。在人体运动的世界里，这种疲惫感会改变我们的步态，改变我们的平衡，并增加跌倒的风险。几十年来，医生和安全专家一直试图追踪这种衰退，但他们的工具往往显得笨拙。有些方法依赖于人们仅仅凭感觉来猜测自己有多累，这并不可靠，因为每个人对精疲力竭的感知各不相同。另一些方法则使用贴在皮肤上的粘性电极来测量肌肉信号，这种方法虽然准确，但具有侵入性，且难以在实验室之外使用。挑战在于，如何找到一种方法，在不使用电线、不询问意见、也不需要大型计算机处理数据的情况下，观察一个人的行走过程，并精确地知道其能量是如何逐渐消退的。
来自伊朗塞姆南大学和社会福利与康复科学大学的研究小组开发了一种解决这一问题的新方法。他们创建了一个系统，通过观察一个人仅几分钟的行走过程，就能预测其整个进入疲劳状态的过程。他们并没有尝试构建一个需要数千小时记录数据进行学习的复杂人工智能模型，而是使用了一种更聪明、更高效的方法。他们首先记录了四十二名健康的年轻人，让他们在跑步机上行走直到无法继续为止。在这些过程中，一个类似于视频游戏机中动作捕捉设备的摄像传感器监测着他们的关节，并测量随着他们变得疲劳时步态的变化。研究人员还要求步行者对体力消耗程度进行评分，并测量了他们的肌肉活动，以创建一个关于疲劳真实样貌的真实图谱。
他们发现的核心在于如何使用这些数据。首先，他们识别了八种人体运动的具体方式——例如髋部的角度、步高以及脚趾的旋转——这些方式在人变得疲劳时变化最为显著。然后，他们使用数学搜索工具寻找这些运动的最完美组合，以匹配传感器记录的真实疲劳水平和步行者自身的报告。这创建了一个“疲劳特征库”，其中每个人的独特步行模式都与特定的疲劳曲线相关联。突破点在于，当他们测试是否可以预测一个从未见过的陌生人的疲劳程度时。他们让这个新人只走了200秒。在这短短的时间内，系统分析了他们的步态，并找到了数据库中与其步行方式最相似的人。
结果显示，200秒的行走足以精准地识别一个人。该系统能够极其确定地分辨出一个人的步行风格与他人的区别。一旦系统找到了数据库中最接近的匹配项，它并不仅仅是简单地复制那个人的疲劳曲线，而是使用一种复杂的融合方法，将几个相似人群的步行模式结合起来，为这个新个体创建一个定制化的预测。这种被研究人员称为“模糊融合”的方法，证明了其准确性远高于仅仅挑选单一最近匹配项或取几个邻近样本平均值的方法。在对完全不在原始数据库中的人进行测试时，该系统预测其疲劳轨迹的准确率接近90%。与那些仅仅选取最近匹配项的旧方法相比，它将误差率降低了近一半。
这项工作表明，我们不需要海量的数据来理解像疲劳这样复杂的人体状态。通过专注于人体运动中特定且可测量的部分，并利用一小组经过精心挑选的样本，我们完全可以构建出一个适用于任何人的系统。这种方法速度快，不需要电线，并且可以使用廉价的技术完成。它为在现实场景中监测疲劳提供了一条实用的路径，从帮助运动员避免受伤到保障工人的作业安全，这一切只需通过观察他们如何行走即可实现。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。