基于病理学信息的增强方法提升了健康成年人与骨关节炎患者群体间的IMU到vGRF估算精度

《IEEE Transactions on Neural Systems and Rehabilitation Engineering》：Pathology-Informed Augmentation Improves Cross-Cohort IMU-to-vGRF Estimation Between Healthy Adults and Adults With Osteoarthritis

　　

摘要：

当将模型应用于具有不同步态特征的群体时，通过可穿戴惯性测量单元估算垂直地面反作用力会失去准确性。我们研究了基于病理特征的增强方法，以提升健康成年人与下肢骨关节炎患者之间的模型泛化能力。我们从47名成年人那里收集了在跑步机上的行走数据，其中包括29名健康参与者以及18名患有骨关节炎的患者，其中大多数为膝部骨关节炎患者。力板测得的垂直地面反作用力数据与身上佩戴的惯性测量单元数据进行了同步处理。我们开发了一种基于Transformer的惯性测量单元模型，该模型采用低秩多流融合技术，能够学习加速度计和陀螺仪信号在各运动阶段之间的共性模式。随后，我们运用一种新的基于比例的增强方法，通过利用供体群体的步态特征比例，将源群体的步态转换为类似目标群体的步态，这些特征包括站立时间、垂直地面反作用力的峰值大小、主要加速度频率以及各运动阶段的加速度幅度。我们在两个方向上测试了模型的泛化能力，即从健康状态到骨关节炎状态，以及从骨关节炎状态回到健康状态，测试时采用了相互独立的参与者分组。这种增强方法在低维步态特征空间中将源群体与目标群体的差异降低了87%（从健康状态到骨关节炎状态）和88%（从骨关节炎状态回到健康状态）。在未参与训练的参与者身上，质量标准化后的均方根误差分别降低了10.5%和11.4%。而如果不使用这种增强方法进行扩展训练，误差降低幅度则较小，分别为4.9%和0.2%。模型的准确率也很高：在从健康状态到骨关节炎状态的测试中，96.7%的匹配峰值与参考峰值高度的偏差在10%以内；在从骨关节炎状态回到健康状态的测试中，这一比例为97.0%。这种基于比例的、可解释的增强方法，通过针对时间、运动学、频谱以及各运动阶段加速度幅度等特征，提升了惯性测量单元到垂直地面反作用力模型的跨群体泛化能力，同时也有助于减少对大规模目标群体数据集的依赖。