估计地面反作用力在实验室固定在室外跑步速度波形

介绍

可穿戴传感器被广泛用于人类生物力学运行数据的收集外的实验室(1- - - - - -5)。主要的可穿戴传感器使用最近在运动生物力学破坏惯性测量单元(imu),测量线性加速度、角速度数据以及当地磁场。之前,艾莫斯被用来估计步态事件、接触时间和其他空间时间变量(2,6- - - - - -8)。此外,特定的动力学变量估计从IMU数据收集在实验室设置,如关节时刻,垂直力峰值、脉冲和加载速率(1,6,9,10)。其他可穿戴传感器用于生物力学监测和临床评价鞋垫力传感器。这些传感器测量脚和鞋之间的力量,并已验证的测量垂直地面反作用力(平)在跑步机上运动(11)。可穿戴传感器有能力也被纳入其他传感器系统的评估特定加载外部加载变量和内部组织(12,13培训期间),整体反馈(14,15)。

先前的研究已经报道统计或基于物理模型与外部加载相关的动力学变量的估计(6,16,17)。近年来,有机器学习的方法,而不是物理或统计模型,已经成为一个受欢迎的和健壮的工具集生物力学分析和运动学和动力学变量估计不精确的数学描述潜在的力学。以前的工作使用机器学习算法估计或预测从IMU步态事件数据(18- - - - - -21);与艾莫斯位于双边在脚或骶骨。机器学习算法,包括人工神经网络(ann),复发性神经网络(RNNs)等技术,也被用来估计动力学变量,如垂直脉冲、加载速率和峰值平(9,10,22- - - - - -24)。这些先前的方法集中在工程特性,提取特定特性从各种波形估计通知估计。这些研究的一些缺点包括所需的生物力学专家估计这些变量的重要原始数据的预处理和识别的立场阶段之前可以解析成一个可用的表单数据。现代机器学习算法的优点之一,如长期短期记忆网络(LSTM),是能够从一个给定的时间序列数据提取有意义的功能。从本质上讲,这表现为一个机器翻译的问题,翻译IMU数据动态数据。此外,这些机器学习模型尚未收集测试数据在实验室之外,因为他们已建成使用的数据控制实验室设置,不捕捉人体运动的变化发生的实验室反应表面差异和变化速度(25)。

目前的工作是下一步发展的建模技术以外的动力学变量的估计实验室和测试这些模型的性能使用留一交叉验证(LOOCV)。我们建议使用长短期记忆网络(LSTMs)将IMU数据映射到平波形测量的力传感鞋垫参与者轨道上运行速度设置。LSTM方法是专门为时间序列数据开发,和两个不同的波形之间的映射(26)。sequence-to-sequence回归允许LSTM识别特性和估计平波形的方式不需要工程特性。本研究的目的是实现一个惯性的映射数据的机器学习算法从参与者动态波形轨道上运行的速度。

方法

本研究通过俄勒冈大学的机构审查委员会(协议号10062020.007)。收集的数据来自15个参与者(表1),(9男6女,年龄:23.6岁,高度:178.3厘米,质量:73.5公斤)的一部分,正在进行的项目。在自定义分析Matlab程序(Mathworks纳蒂克,MA)。多艾莫斯(卡西欧、东京、日本)安装双边在每个参与者的脚和背方面大约在骶骨(剪的每个参与者的腰带)。这些传感器记录3 d线性加速度和角速度在200赫兹(加速度测量范围约g)。使用多个惯性传感器已经建议改善空间时间估计和动态变量,相比单一惯性传感器(6,27,28)。浮鞋法向力数据记录与Loadsol鞋垫力传感器在脚和鞋之间的双边(小说电子、圣保罗、MN)在100赫兹。力传感鞋垫和艾莫斯同步之前使用foot-stomps每个审判。基于他们的汉诺威的比赛速度参与者共有4或5步执行在一个400平方,最快速度是可选的。每个参与者和Garmin GPS监测他们的步伐,(堪萨斯城,KS)。如果他们错过了预计时间试验持续时间超过2 s,他们将被要求重复试验,足够的休息。显示了一个范例的步表2。速度的总范围由2.33参与本研究-5.36年代⁻¹。这些速度代表典型的训练和竞赛步对于大多数娱乐和高级长跑运动员(6,29日)。

数据处理

艾莫斯是后加工的数据用卡尔曼滤波器东方当地(IMU)坐标系统垂直重力在Matlab中的任何后期处理(图1面板B)。IMU数据采样,采样频率100赫兹匹配力传感鞋垫然后过滤四阶低通无滞后巴特沃斯滤波器(足球俱乐部= 35赫兹)。浮鞋正常力数据测量力传感鞋垫,考虑识别的标准参考测量步态事件和动力学变量的研究(11)。动力学数据过滤二阶低通无滞后巴特沃斯滤波器(足球俱乐部= 20 Hz)。内部时钟漂移和鞋垫之间的艾莫斯被迭代修正修正算法。这个算法调整IMU和动力学数据,使其近似匹配每个集成电路从两个系统在±0.02年代,通过删除或添加0在前面的摆动阶段的动力学数据。识别的IC IMU数据详细在以前的工作从我们实验室(30.)。力数据< 5%体重(BW)被设置为0 BW。机器学习算法估计动态波形输出与相同的过滤器过滤测量动态波形。估计脚地面接触不到0.050秒被设置为0 BW,脚接触短于0.050年代被认为是噪音,有小震级和不符合测量脚接触在跑步运动。

机器学习建筑

机器学习算法的整体结构所示(图1面板)。短暂,序列输入通道的输入是400×24(加速度、角速度和合成大小),和输出是一个400×1平波形(笔左右平力波形数据遥感鞋垫)。其他地方描述LSTM激活函数(26,31日)。开发和测试的步骤的机器学习模型两方面;第一次使用贝叶斯算法优化网络架构的深度学习(32网络测试),然后使用留一交叉验证(LOOCV)。贝叶斯优化深度学习需要用户规范hyperparameters,然后优化。贝叶斯优化数据集进行了70%的训练,15%的验证和测试数据的分割15% (图1)。最优网络结构是由性能测试的初始数据集。hyperparameters优化包括最初的学习速率,梯度衰减系数,平方梯度衰减系数,L2Regularization和隐藏的单位的数量。从hyperparameter优化只有隐藏单位的数量被观察到影响机器学习协议的结果。所有其他hyperparameters被设置为推荐值从MATLAB sequence-to-sequence回归。隐藏的数量单位的范围中使用优化(10 - 50)。通过贝叶斯优化过程,最佳的数字隐藏单位的决心是42。这个值被用于LOOCV过程。在hyperparameter优化过程中,我们测试时间输入数据的范围从0.5到5年代窗口。这些优化算法的性能的基础上,通过分析整个波形的RMSE发现4 s时间窗口是最准确的估计地面反作用力的波形。

数据分析

估计LOOCV是连接每个试验波形,分析和介绍了这项工作。这集的基线使用这些机器学习模型的每个参与者都视为一个新的参与者。最初接触的第一个实例(IC)被确认力> 5% BW和脚趾()是由过去的力量大于> 5% BW的实例。接触时间确定的时间区别这两个离散事件。立场平均平击,冲动,平峰,平均加载速率的动力学变量计算在这个工作,从波形估计的力量。平均加载速率是通过识别影响峰值,然后计算平均斜率之间的中间60%的地区集成电路和峰值的影响(33)。

皮尔森相关系数(r²)被用来比较估计力数据输出从LSTM测量鞋垫力数据。七十五次试验,与十五参与者运行五个速度,每个数据点代表400米计时赛广场跟踪。之间的差异提出了模型估计变量和测量波形变量线性回归和Bland-Altman情节有95%置信区间(CIs)和限制的协议(贷款),分别。很强的相关性定义为r²0.5≤≥0.8,一个温和的相关性r²0.3≤≤0.8和微弱的相关性r²≤0.5。测量和估计提出了步态事件之间的差异以及均方根误差(RMSE)为每个接触时间和动态变量。

结果

数据提交审判意味着从LOOCV每个主题和速度分析。波形RMSE范围从0.191 - -0.309 BW,个人立场阶段RMSE范围从0.189到0.288 BW (表3)。范例数据的最小和最大RMSE输出参与者所示(图1面板C)。估计集成电路被确认前测量集成电路和集成电路的差异范围从0.013 - -0.020 s /试验(表4)。差异的识别范围从−0.012到0.041。在速度< 3.16年代⁻¹前,估计测量步态事件。然而,在速度> 3.16年代⁻¹后发生的评估测量步态事件(表4)。估计和测量接触时间有很好的协议在平均运行速度< 3.16年代⁻¹然而,平均运行速度> 3.16年代⁻¹,接触时间是高估了(图2面板)。皮尔森相关系数的估计和测量之间的接触时间呈中度相关;r²= 0.795 (图2面板B)。偏差估计的接触时间是0.020与95%贷款:[−0.011,0.051)图2面板C)。接触时间RMSE范围从0.089到0.021年代(表5)。

估计姿态测量的输出平均平显示一致的低估速度> 3.16年代⁻¹(图3面板)。有一个弱相关性估计姿态平均天然气采收率和姿态测量平均天然气采收率;r²= 0.373 (图4面板),估计之间的协议的立场平均天然气采收率和姿态测量平均平−0.092 BW和抵消95%贷款[−0.351 - 0.167]BW (图5面板)。立场平均地面反作用力RMSE范围从0.063 - -0.402 BW (表5)。姿态测量脉冲的平均运行速度的增加而减少。但最慢的速度(2.24年代⁻¹)和两个速度最快(4.88和5.36米⁻¹)的冲动被高估了LSTM输出(图3,面板B)。估计脉冲与脉冲测量弱相关;r²= 0.271 (图4面板B)。估计脉冲之间的协议和脉冲测量偏差为0.007 BW *年代和贷款BW (−0.051 - 0.065) * 95% (图5面板B)。RMSE在速度的范围从0.159到0.266不等BW *年代(表5)。

估计部队峰值速度的范围是类似于测量峰值力,除了在最慢的速度(2.24年代⁻¹)(图3面板C)。估计峰平是适度与测量峰值地面反应部队(r²= 0.612)(图4面板C)。该协议之间的测量和估计平有一个峰值抵消0.029 BW贷款为95% [−0.322 - 0.381]BW (图5面板C)。平均峰值RMSE垂直平不等[0.07 - 0.218](BW) (表5)。估计平均水平力加载速率相比是高估了加载速率在整个测量范围的速度。估计加载速率是弱相关测量加载速率(r²= 0.133)(图4面板D)。测量和估计加载速率之间的协议有一个抵消−6.116 BW的年代⁻¹,贷款BW (−20.475 - 8.243)⁻¹(图5面板D)。平均RMSE加载速率在每个速度范围从[7.798 - 18.132]BW年代⁻¹(表5)。

讨论

本研究的目的是实现一个机器学习算法的映射IMU数据动态波形从参与者轨道上运行的速度。我们估计平波形与参与者运行三个惯性传感器在实际培训情况:400重复以规定的速度。三个具体的结果可以概括简要:(1)我们估计4平IMU数据的波形相同的时间,(2)估计输出波形的接触时间是准确的,但被高估了在平均运行速度> 3.16年代⁻¹,(3)估计单动力学变量匹配测量输入数据的总体趋势,然而模型倾向于低估动力学变量(立场平均力,力峰值和平均加载速率)在运行速度> 3.16年代⁻¹(图3,5)。我们已经给出了这些模型的基线性能使用LOOCV过程和转移模型的使用数据从一个新颖的参与者。

的估计从艾莫斯步态事件已报告各种各样的基于算法的方法,因为这些是最重要的变量解析生物力学波形(34- - - - - -36)。在目前的研究中,集成电路区别估计和测量步态事件范围从0.013 - -0.020年代一系列运行速度。这时间差异可能是由于迭代修正算法,利用匹配估计集成电路计算出的输出与测量IC LSTM。估计的差异范围从0.012−-0.041 s。这些差异似乎是特定于运行速度,而估计速度< 3.16米⁻¹发生在测量之前,运行速度> 3.16年代⁻¹估计发生后测量。由此可见,接触时间是高估了速度> 3.35年代⁻¹。以前的工作报告的RMSE 0.011年代r²从分位数回归森林= 0.665 (9)。我们的结果显示RMSE 0.032年代增加三倍,但更强的相关性r²= 0.795。更大的错误在我们的估计有可能来自于更大的可变性的平均运行速度在审判和包含的加速和减速在运行试验。

立场阶段地面反作用力RMSE相当范围提出了在以前的工作(RMSE 0.39 BW) (10),与我们估计波形导致平均0.245 BW RMSE所有正在运行的速度。另一个研究报告RMSE从0.13 - -0.17之间的BW 2.7和4.5米的速度⁻¹(22),使用一个算法在本质上是最亲密的我们,因为他们的部分波形估计可以连接成完整的平波形。我们的算法的性能类似于这些之前报道值,与一个RMSE从0.189 - -0.288 BW (表3),在更大范围的速度和速度不恒定。的主要区别我们当前研究和之前的工作在这一领域,以往的研究估计整个平波形在实验室在稳态运行速度在跑步机上,而且只有估计姿态阶段或一段波形。我们的研究首次产生一个完整的平波形估计模型与多个立场和摆动阶段从收集的数据以外的实验室。

在我们的研究中,测量姿态与速度(平均天然气采收率普遍增加图3面板),但是没有按预期线性(29日)。估计姿态相比平均平低估了姿态测量平均平(图2面板,5面板)。估计和测量值之间的分歧发生在同一范围的速度(3.16到5.36米⁻¹),接触时间是高估了(图2,5面板)。一般来说,接触时间的增加将导致减少平均天然气采收率的立场。这是低估的峰值在快平值平均运行速度(图5面板C)。更快的运行速度平均平显示更大的偏差估计立场。相比之下,物理模型开发的(37),提出了平均均方根误差从0.681 - -1.302 BW运行速度从2到5米⁻¹。无论如何,我们的结果显示显著的改进这项工作,估计姿态的RMSE平均平从0.063到0.218 BW (表5)。

估计脉冲在数学上是最复杂的变量提出了工作和它也有最贫穷的估计和测量值之间的协议。脉冲将减少随着速度的增加(16,38),它匹配我们的结果。据报道,估计脉冲从分位数回归森林(有很强的关联r= 0.974)和RMSE BW 0.004 * 3.8和5.4米之间的运行速度年代⁻¹(9)。我们的研究结果不同,弱的相关性r²= 0.385和RMSE平均速度0.044 BW *。这些差异可以相关,在一定程度上,上面的讨论错误平平均接触时间和立场。另一个关键的区别是经验水平的变化在我们的参与者相比,训练有素的部门1耐力运动员。除了这些差异,冲动很容易错误的估计接触时间和平级,这两个在当前模型检测偏差。

正如所料,峰力增加,运行速度(图3面板C)。该指标与外部负载在运行(估计16,38)。估计峰平整个范围的运行速度是最准确的输出电流模型。然而,值得注意的是,在更快的运行速度峰值垂直地面反应部队没有继续增加;这可能是一个限制的机械传感器的功能(例如,采样频率或物理限制)。先前的研究报道,平峰估计之间的关系由一个安在三个不同的速度(从2.78 - -3.89米⁻¹)有一个温和的相关峰平;r²贷款(−0.17 - 0.18)= 0.72和95% BW,平均偏差为0.01 BW (10)。相比之下,我们的模型有一个稍弱相关性(r²(0.322 - 0.381)= 0.614)和贷款BW,平均RMSE BW 0.223。虽然我们的模型导致相似的相关性,我们也有两倍的变化代表了我们95%的贷款范围。进一步调查显示一个异类的峰平分析、价值被高估了约50%的一个参与者。这个观察表明,力测量鞋垫之间移动的脚和鞋的参与者。

测量加载速率通常与运行速度增加,预期(图3面板D) (38)。Wouda等人报告ANN-estimated加载速率的相关性r²= 0.57,罗亚山(−16 10]BW年代⁻¹和偏见−2.9 BW年代⁻¹(10)。我们的结果显示的相关性r²(−20.450 - 8.243)= 0.405,贷款BW年代⁻¹和偏见−6.116 BW年代⁻¹少,展示协议,比以前的工作更大的偏差。这可能是部分原因是不同的数据收集协议和力传感的敏感性鞋垫在加载速率的计算错误(39)。估计平均加载速率是低估了速度> 3.16年代⁻¹中,可能由于错误估计步态事件。识别集成电路前测量步态事件降低了估计的平均负载率。我们试图减轻这种估算平均加载速率在10%和40%之间接触时间。

这个工作有一些局限性。力传感鞋垫试验期间偶尔失去联系,导致不同的校准文件相同的参与者。力传感鞋垫严重依赖校准过程数据收集前,如果他们之间移动脚和鞋的力值将受到影响。我们注意到这个有趣的评论从几个参与者,他们的鞋子变得稍微宽松,这可能导致鞋垫稍微脚和鞋之间移动。这些误差的来源可能导致了变化在我们的数据和影响的机器学习模型估计平波形。鉴于艾莫斯并没有完全刚性连接到用户或嵌入在参与者鞋子或腰带,有潜在的运动工件的IMU在整个步态周期。方法提出了工作转移到现实世界的运行。然而,我们犹豫推荐算法在当前形式作为分析工具的培训和翻译这项工作到真实的环境中。过高的接触时间和增加运行速度是有限的可转移性算法的一个例子新环境。建立一个单一的参与者或机器学习模型的一小部分参与者与运行能力将会大幅度减少模型的估计误差。 We have demonstrated a baseline for performance of a machine learning algorithm outside of the laboratory by presenting data from a LOOCV. We had a single participant run at the slowest velocities, and this participant's data did not follow the expected kinetic trends. However, this participant's data provide a good benchmark to demonstrate how these methods capture running performance of a truly novice runner. This work has improved upon much of the relevant literature for estimation of spatial-temporal and kinetic measures from the estimated ground reaction force waveforms. Future studies investigating the effects of differing volumes of data input, and potentially the inclusion of a wider range of running velocities should improve estimations from similar machine learning algorithms.

总之,平波形的映射IMU在现实环境中收集的数据已被证明是可行的,与局限性。我们提出了保守的结果从一个LSTM平波形估计的模型从LOOCV报告数据分析。我们使用三个艾莫斯惯性动力学数据的映射为不同的参与者技能从真正的新手跑步者(30:00估计5公里比赛时间)更多训练有素的运动员(下午15:30 5公里比赛时间)400一个方形轨道上运行。此外,这将是有价值的确定报道中的偏差变量通过比较测量力的数据从force-instrumented跑步机测量的力传感鞋垫,在一系列速度和倾向匹配的有经验的跑步者的训练环境。

数据可用性声明

原始数据支持了本文的结论将由作者提供,没有过度的预订。

道德声明

这些研究涉及人类受试者进行审核和批准通过研究合规服务,俄勒冈大学。患者/参与者提供了他们的书面知情同意参与这项研究。

作者的贡献

概念化,阶跃恢复二极管咩;方法,阶跃恢复二极管和咩;软件,阶跃恢复二极管;验证、阶跃恢复二极管;正式的分析、阶跃恢复二极管和咩;调查,阶跃恢复二极管;资源,咩;数据管理、阶跃恢复二极管;原创作品草稿准备、阶跃恢复二极管;咩writing-review和编辑; visualization, SRD; supervision, MEH; project administration, SRD and MEH; funding acquisition, MEH. All authors contributed to the article and approved the submitted version.

资金

这项研究的部分资金由参加的研究与卡西欧计算机有限公司,有限公司,吴蔡人类联盟和乔和克拉拉蔡基础性能。

的利益冲突

作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。

出版商的注意

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。

引用