Robust Stride Segmentation of Inertial Signals Based on Local Cyclicity Estimation.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

Atalet sinyalleri için stride segmentasyon, yürüyüş dizisi ekstraksiyonu ve yürüyüş olayı tespiti için yeni bir yaklaşım sunulmuştur. Yaklaşım, farklı yerel döngüsellik tahmincileri ve sensör kanallarını birleştirerek çalışır ve ayrıca yürüyüş olaylarının temel noktaları hakkında a priori bilgi kullanabilir. Yaklaşım, farklı ataletsel ölçüm birimi (IMU) sensör tipleri tarafından elde edilen sinyaller üzerinde çalışabildiği için evrenseldir, şablonsuzdur ve denetlenmeden çalışır. İki veri kümesi ile kapsamlı bir değerlendirme yapıldı: açık kullanım için mevcut kendi toplanan FRIGait veri setimiz, bir yıldan fazla bir süre içinde akıllı telefon kullanan 57 denekten toplanan uzun vadeli atalet ölçümleri ve üç denekten toplanan ayakkabı monteli sensörlerden elde edilen atalet verilerini içeren bir FAU eGait veri seti: sağlıklı, geriatrik ve Parkinson hastalığı hastaları. Değerlendirme kontrollü ve kontrolsüz koşullarda yapılmıştır. Etiketli FRIgait ve eGait veri kümelerinin temel gerçeği ile karşılaştırıldığında, değerlendirmemizin sonuçları, önerilen yaklaşımın yüksek sağlamlığını, verimliliğini (yaklaşık% 98'lik F-ölçümünü) ve doğruluğunu (yaklaşık bir örnek aralığındaki MAE mutlak hatası) ortaya çıkardı. Bu sonuçlara dayanarak, önerilen yaklaşımın, hareket analizi için prosedürler ve algoritmalarda uygulanabilirliği için büyük bir potansiyel gösterdiği sonucuna varıyoruz.

Özgün kaynak özetini okuyun

A novel approach for stride segmentation, gait sequence extraction, and gait event detection for inertial signals is presented. The approach operates by combining different local cyclicity estimators and sensor channels, and can additionally employ a priori knowledge on the fiducial points of gait events. The approach is universal as it can work on signals acquired by different inertial measurement unit (IMU) sensor types, is template-free, and operates unsupervised. A thorough evaluation was performed with two datasets: our own collected FRIgait dataset available for open use, containing long-term inertial measurements collected from 57 subjects using smartphones within the span of more than one year, and an FAU eGait dataset containing inertial data from shoe-mounted sensors collected from three cohorts of subjects: healthy, geriatric, and Parkinson’s disease patients. The evaluation was performed in controlled and uncontrolled conditions. When compared to the ground truth of the labelled FRIgait and eGait datasets, the results of our evaluation revealed the high robustness, efficiency (F-measure of about 98%), and accuracy (mean absolute error MAE in about the range of one sample) of the proposed approach. Based on these results, we conclude that the proposed approach shows great potential for its applicability in procedures and algorithms for movement analysis.

Bilimsel değerlendirme

Araştırma sorusu

Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.

Yöntem ve örneklem

Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.

Temel bulgular

Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.

Sınırlılıklar

Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.

Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.