一种基于可穿戴传感器的跨场景异常跑步姿势检测的迁移学习方法

《IEEE Transactions on Consumer Electronics》：A Transfer Learning Method for Cross-Scenario Abnormal Running Posture Detection Based on Wearable Sensors

异常跑步姿势检测面临多场景泛化难题，本文提出基于穿戴式惯性传感器的跨场景迁移学习框架CSTL。通过预训练轻量Transformer模型LNT，结合贡献指导的参数冻结与动态适配策略，仅需10次微调即可在5种场景下实现87%的准确率，较非迁移学习方法提升效率达3倍以上，有效解决实际应用中的环境适应性挑战。

　　

摘要：

跑步是一项受欢迎的运动，但异常的跑步姿势可能导致受伤。随着可穿戴电子设备的日益普及，实时检测异常跑步姿势变得越来越可行。然而，现实世界中跑步场景的多样性对基于深度学习的检测方法的鲁棒性提出了重大挑战。在固定场景下训练的模型在应用于不同环境时通常会表现出显著的性能下降。为了解决这些问题，本文提出了一种跨场景迁移学习（CSTL）框架，利用可穿戴惯性传感器来检测异常跑步姿势，以应对高时间复杂性和适应各种跑步场景能力有限的问题。在预训练阶段，我们提出了一个Light-Norm Transformer（LNT）模型，利用从单一跑步场景收集的数据来提高识别精度。在微调阶段，将预训练的LNT模型转移到五种不同的跑步场景中，并采用基于贡献引导的冻结策略和动态适配器微调策略，同时采用留一法交叉验证方法来评估测试模块中每种跑步场景的跨场景分类性能。所提出的CSTL方法显著减少了训练时间并提高了识别精度，在仅10个训练周期的情况下，五种跑步场景的识别精度达到了87.0%，优于非迁移学习方法，并实现了最佳的性能-效率平衡。所提出的CSTL方法提高了实际应用中异常跑步姿势检测系统的适应性和鲁棒性。

引言

跑步目前是最受欢迎的运动之一，它可以增强免疫力、改善心肺健康、强化肌肉骨骼，并提升情绪 [1]、[2]、[3]。跑步时异常的姿势会对身体造成损害，导致慢性疼痛和运动损伤 [4]、[5]。根据文献调查，常见的异常跑步姿势包括：1) 过度前倾的躯干 [6]；2) 后倾的躯干 [7]；3) 躯干的侧向摇晃 [8]；以及4) 异常的足部姿势 [9]，如足内翻、足外翻和足部着地模式。上述异常跑步姿势引起的运动损伤仍然很普遍，其中最常见的两种跑步损伤是髌股疼痛综合征（PFPS）和髂胫束综合征（ITBS） [10]、[11]、[12]。这些跑步损伤的发病率在19.4%到79.3%之间 [13]，并与跑步时的异常躯干姿势密切相关，而这种姿势又受到跑步环境复杂性的影响。