Few-Shot Transfer Learning for Gait Cycle Percentage Estimation by Leveraging Classification Knowledge for Regression Tasks
本文表明，通过利用分类到回归的迁移学习，利用自动衍生的二元步态相位标签，可以显著改善基于可穿戴惯性测量单元（IMU）数据的少样本步态周期百分比估计，在实现相比于零样本基准模型高达 40% 平均绝对误差（MAE）降低的同时，还为最佳实施提供了实际的工程指南。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
行走是一种我们很少去思考的节奏，然而它是一套复杂的运动序列，医生和工程师都在密切研究它，以了解健康状况、预防跌倒并设计更好的机器人肢体。为了分析这种节奏，科学家通常将单步动作分解为两个主要部分：支撑相（stance phase），即脚掌稳固踩在地面上的阶段；以及摆动相（swing phase），即脚抬起并向前移动的阶段。传统上，研究人员使用昂贵的高科技动作捕捉实验室来精确测量一个人在循环中任何给定时刻所处的位置，这一过程虽然精确，但成本高昂且难以规模化。然而，存在一种更简单的方法，利用可以附着在鞋上的基础传感器，就能判断一个人正处于这两个阶段中的哪一个。这造成了一种根本性的失衡：我们可以轻易地产生大量关于脚是抬起还是落下的数据，但我们却很难收集到用于了解一个人在一步之中具体走到了多远程度的连续、详细的数据。
来自山东大学和伯明翰大学的研究团队致力于解决这一问题，他们试图教计算机利用易于获取的信息来学习难以获取的信息。他们提出了这样一个问题：一个在简单的“上下”标签上经过广泛训练的计算机模型，是否可以通过极少的新数据，被调整为能够预测步行周期的精确百分比？他们的工作证明，这不仅是可能的，而且非常有效。通过首先训练深度学习模型来区分行走的两个阶段，然后通过轻微调整该模型来预测步行的连续百分比，他们实现了原本需要更多昂贵数据采集才能达到的效果。
研究人员使用来自两个公开数据集的178人的数据对该方法进行了测试，其中一个数据集包含老年人，另一个包含健康成年人。他们模拟了一个场景：诊所可能拥有数千小时简单的“支撑与摆动”记录，但只有极少量的精确动作捕捉数据。在最极端的测试中，他们仅给模型一个人的数据来学习精确的百分比。在没有任何预先训练的情况下，从零开始的模型表现很差，但首先学习了简单的“上下”任务的模型却能够快速适应。仅凭单个受试者的数据，这种迁移学习方法就比从头开始训练的模型减少了近24%的预测误差。更令人惊讶的是，与完全没有进行微调的基准模型相比，该模型的准确度提高了40%，这证明了从简单任务中获得的知识对复杂任务直接有用。
研究还调查了使此方法发挥最佳效果究竟需要多少数据。研究人员发现，该方法的“甜点区”（最佳平衡点）在于50到500个精确样本之间。在这个范围内，该方法具有显著优势，比传统方法提高了10%到14%的准确度。这表明，医疗诊所或研究团队不需要收集大量的昂贵动作捕捉数据来构建可靠的系统。相反，他们可以收集大量的简单传感器数据来教授系统步行的基础知识，然后将有限的资源投入到一小部分精心挑选的精确测量中，以对模型进行微调。
为了确保该方法可靠运行，团队检查了计算机学习的技术细节。他们发现，模型处理其内部统计数据的方式以及学习新信息的速度至关重要。具体而言，允许模型在保持第一阶段训练的核心知识完整的同时，轻微更新其内部设置，被证明是必不可少的。他们还发现，为识别模式的部分和做出最终预测的部分使用不同的学习速度，有助于系统在不遗忘已有知识的情况下进行适应。这些发现为那些希望部署精确步态分析系统、却又面临大规模动作捕捉研究高昂成本的工程师和临床医生提供了清晰的路线图。
这项工作的意义延伸到了可穿戴技术和康复工具的开发领域。通过展示一个模型可以通过首先掌握足部位置的二元区别，进而学会预测步行的连续进度，研究人员为个性化步态监测提供了一条切实可行的路径。这种方法使得利用更容易、更便宜收集的数据来创建复杂的分析工具成为可能。虽然目前的研究重点是正常行走的健康人群和老年人群，但该方法的成功表明，未来类似的技术可以应用于更复杂的病症，从而有望以更高的精度和更强的可及性来监测和治疗运动障碍。
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。