A Wearable Gait Monitoring System for 17 Gait Parameters Based on Computer Vision
作者: Jiangang Chen, Yung-Hong Sun, Kristen Pickett, Barbara King, Yu Hen Hu, Hongrui Jiang
分类: eess.SY, cs.CV, eess.SP
发布日期: 2024-11-16
备注: 13 pages, 14 figures. This paper was submitted for publication to the IEEE Transactions on Instrumentation and Measurement
💡 一句话要点
提出基于计算机视觉的可穿戴步态监测系统，用于精确测量17项步态参数
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 步态监测 计算机视觉 可穿戴设备 力敏电阻 Transformer模型
📋 核心要点
- 现有步态分析系统成本高昂或不便携，限制了其在日常环境中的应用。
- 该系统利用鞋载立体相机和力敏电阻，结合算法估计空间和时间步态参数。
- 实验结果表明，该系统能够以高精度测量17项步态参数，并适用于长距离行走。
📝 摘要（中文）
本文提出了一种可穿戴步态监测系统，该系统能够追踪多达17项步态参数，包括步长、步时、步速等。该系统采用安装在一只鞋上的立体相机来追踪另一只鞋上的标记，从而实现空间步态参数的估计。此外，结合定制设计的算法，利用固定在鞋后跟上的力敏电阻（FSR）来测量时间步态参数。通过对多名参与者进行测试，并与步态测试垫进行比较，所提出的步态监测系统表现出显著的性能，所有测量的步态参数的准确率均超过93.61%。该系统在长距离行走中也表现出较低的漂移，仅为4.89%。使用训练好的Transformer模型对参与者进行步态识别任务，在所提出的系统收集的数据集上实现了95.7%的准确率，表明我们的硬件有潜力收集长序列步态数据，适合与当前的大型语言模型（LLM）集成。该系统具有成本效益、用户友好性，非常适合实际测量。
🔬 方法详解
问题定义：现有步态分析系统通常依赖于实验室环境中的昂贵设备（如步态分析仪）或不便携的传感器。这些系统的局限性在于难以在真实世界的日常环境中进行长时间、连续的步态监测。因此，需要一种低成本、便携且准确的步态监测系统，以便在实际应用中进行步态分析和疾病诊断。
核心思路：该论文的核心思路是利用计算机视觉和力敏传感器的互补优势，构建一个鞋载的可穿戴步态监测系统。通过立体相机追踪鞋子上的标记来估计空间步态参数，同时使用力敏电阻测量时间步态参数。这种结合的方式可以在保证精度的前提下，实现系统的便携性和低成本。
技术框架：该系统的整体架构包括以下几个主要模块：1) 数据采集模块：使用鞋载立体相机和力敏电阻采集步态数据。2) 空间参数估计模块：利用计算机视觉算法处理立体相机图像，追踪鞋子上的标记，计算步长、步速等空间步态参数。3) 时间参数估计模块：分析力敏电阻的信号，检测足跟着地和抬起的时间点，计算步时、步频等时间步态参数。4) 数据融合与校正模块：将空间和时间参数进行融合，并进行误差校正，提高整体精度。5) 步态识别模块：使用Transformer模型对采集的步态数据进行训练，实现步态识别。
关键创新：该论文的关键创新点在于：1) 提出了一种基于鞋载立体相机和力敏电阻的混合步态监测方案，实现了高精度和便携性的平衡。2) 设计了一种定制算法，能够有效地从力敏电阻信号中提取时间步态参数。3) 验证了该系统采集的长序列步态数据可以用于训练深度学习模型（如Transformer）进行步态识别。
关键设计：在硬件方面，选择了体积小、功耗低的立体相机和力敏电阻，以保证系统的便携性。在算法方面，设计了一种基于卡尔曼滤波的融合算法，用于融合立体相机和力敏电阻的数据，提高参数估计的精度。Transformer模型的训练使用了交叉熵损失函数，并进行了超参数优化，以获得最佳的步态识别性能。
🖼️ 关键图片
📊 实验亮点
该步态监测系统在多名参与者测试中表现出色，所有测量的步态参数的准确率均超过93.61%。长距离行走测试中，系统漂移仅为4.89%。使用该系统收集的数据训练的Transformer模型在步态识别任务中达到了95.7%的准确率，验证了其在步态分析方面的潜力。
🎯 应用场景
该研究成果可广泛应用于医疗健康领域，例如帕金森病、中风等神经系统疾病患者的步态评估与康复监测。此外，该系统还可用于运动科学领域，帮助运动员优化步态，提高运动表现，并预防运动损伤。未来，结合大型语言模型，该系统有望实现个性化的步态分析和健康建议。
📄 摘要（原文）
We developed a shoe-mounted gait monitoring system capable of tracking up to 17 gait parameters, including gait length, step time, stride velocity, and others. The system employs a stereo camera mounted on one shoe to track a marker placed on the opposite shoe, enabling the estimation of spatial gait parameters. Additionally, a Force Sensitive Resistor (FSR) affixed to the heel of the shoe, combined with a custom-designed algorithm, is utilized to measure temporal gait parameters. Through testing on multiple participants and comparison with the gait mat, the proposed gait monitoring system exhibited notable performance, with the accuracy of all measured gait parameters exceeding 93.61%. The system also demonstrated a low drift of 4.89% during long-distance walking. A gait identification task conducted on participants using a trained Transformer model achieved 95.7% accuracy on the dataset collected by the proposed system, demonstrating that our hardware has the potential to collect long-sequence gait data suitable for integration with current Large Language Models (LLMs). The system is cost-effective, user-friendly, and well-suited for real-life measurements.