《Machine Learning and Knowledge Extraction》：Machine Learning Regression-Driven Improved Step Length Estimator with Smartphone Accelerometry: A Comparative Performance Study
编辑推荐：
精确的步长估计（SLE）不仅是导航系统设计的关键需求，也是神经系统疾病步态健康监测的关键需求。在现有解决方案中，基于非侵入式惯性传感器且无需专用基础设施的方法更具成本效益。然而，许多此类方法依赖于固定在身体上的惯性传感器，而非自由手持的智能手机传感器。另一方面
精确的步长估计（SLE）不仅是导航系统设计的关键需求，也是神经系统疾病步态健康监测的关键需求。在现有解决方案中，基于非侵入式惯性传感器且无需专用基础设施的方法更具成本效益。然而，许多此类方法依赖于固定在身体上的惯性传感器，而非自由手持的智能手机传感器。另一方面，由于用户参数校准，传统信号处理方法在不同步态模式下的精度存在差异。因此，本研究提出了一种基于回归的SLE框架，采用了八种回归算法：线性回归（LR）、k-最近邻、支持向量机、决策树、弹性网络、随机森林、直方图梯度提升（HGB）回归器和人工神经网络（ANN）。在三种评估场景下，使用正常和快速行走模式以及两种设备位置（手持和裤袋）收集的数据集，对不同窗口大小进行了广泛而严格的评估，结果表明HGB回归器表现出色，在留一法交叉验证评估中，在四个不同场景下实现了最低的平均绝对误差（MAE）低于1 cm，在已见测试评估中三个场景下也是如此。此外，研究结果报告了ANN在未见测试评估中优于其他模型和先前方法IRT-SD-SLE的卓越泛化能力，其MAE不超过 cm。对训练和测试时间的广泛评估显示，LR具有最高的计算效率，HGB回归器具有中等效率，而ANN的训练成本最高，表明MAE与计算开销之间存在明显的权衡。此外，本研究还包括对性能结果的深入讨论，包括精度与效率之间的权衡。
步长估计（SLE）在导航系统设计和神经疾病步态健康监测中至关重要。现有非侵入式惯性传感器方法成本较低，但多数依赖固定传感器，而智能手机传感器因设备方向变化和用户参数校准，导致传统信号处理方法的精度在不同步态模式下波动。为克服这些局限，研究人员提出了一种基于机器学习的回归驱动SLE框架，利用智能手机加速度计（Accelerometer）数据，避免用户参数校准，提升稳定性与泛化能力。该研究采用了八种回归算法，包括线性回归（LR）、k-最近邻（k-NN）、支持向量机（RBF-SVM）、决策树（DTree）、弹性网络（Elastic Net）、随机森林（RF）、直方图梯度提升（HGB）回归器和人工神经网络（ANN），在三种评估场景（留一法交叉验证（LOOCV）、未见测试、已见测试）下，对四种步行场景（正常行走手持（NH）、正常行走口袋（NP）、快速行走手持（FH）、快速行走口袋（FP））进行了系统比较。研究结论表明，HGB回归器在LOOCV和已见测试中取得最低平均绝对误差（MAE），ANN在未见测试中展现最佳泛化能力，但训练成本最高；LR计算效率最高，但精度有限。论文发表在《Machine Learning and Knowledge Extraction》。
关键技术方法：数据采集自10名健康参与者（年龄23-47岁，身高160-180 cm，体重60-75 kg），使用三星Galaxy M13智能手机（采样率50 Hz），在正常和快速行走模式下，设备置于手持或裤袋，共4种场景（NH, NP, FH, FP）。预处理包括10 Hz Butterworth低通滤波和基于窗口大小（40-100）的分段。特征提取共49个，涵盖时域（均值、标准差、峰度、偏度、信号能量、信号幅度面积（SMA）等）、频域（主频等）和峰谷特征（步幅、窗口长度等）。模型训练采用8种回归算法，利用GridSearchCV进行5折交叉验证超参数调优。评估以MAE和训练/测试时间衡量性能，采用LOOCV、未见测试（训练集排除目标场景）和已见测试（包含目标场景）三种策略。
研究结果：
- 3.1 Leave-One-Out Cross-Validation (LOOCV) Strategy-Based Evaluations：通过LOOCV评估，HGB回归器在所有四种场景中MAE最低（<1.5 cm），在不同窗口大小下表现稳定；k-NN次之；ANN在某些窗口下表现较好，RBF-SVM在多数场景中表现最差。训练时间随窗口增大而减少，ANN训练时间最长，HGB训练时间高于简单模型但低于RF。
- 3.2 Evaluation Using Unseen Data：在未见测试中，ANN在特定窗口大小（如50, 70, 100）下取得最低MAE（<6.3 cm），且优于IRT-SD-SLE；但在某些窗口下性能下降。Elastic Net和HGB表现稳定，MAE不超过8 cm。所有模型在正常行走模式下的MAE低于快速模式，NP场景表现最佳。
- 3.3 Evaluation Using Seen Data：在已见测试中，HGB回归器在NH、FH、FP场景中MAE最低（<0.5 cm），且最佳窗口分别为60、50、50；LR在NP场景中MAE最低（0.14 cm，窗口100）。ANN在除FH外场景中MAE低于2 cm，RBF-SVM和k-NN在快速模式中MAE较高（>8 cm）。窗口大小对性能影响显著，较大窗口（如90-100）在LOOCV和已见测试中更优。
- 3.4 Comparative Results：与先前方法IRT-SD-SLE相比，回归模型在大多数场景中MAE显著降低；仅在部分未见测试中LR和ANN在某些窗口下MAE略高。HGB在LOOCV和已见测试中表现最佳，ANN在未见测试中泛化能力最强。
总结讨论部分：研究人员分析了MAE结果，指出HGB在LOOCV和已见测试中鲁棒性高，ANN在未见测试中泛化强，但无单一模型在所有场景最优。窗口大小对性能影响显著，较大窗口（如90-100）在LOOCV和已见测试中更好，中等窗口（如50-70）在未见测试中更优。计算效率分析显示LR训练和测试最快，但精度有限；HGB训练和测试时间适中，ANN训练最慢但测试较快。存在精度与效率的权衡，模型选择需根据应用场景确定。此外，设备稳定性和振动噪声影响MAE，正常行走模式优于快速模式。
研究结论部分翻译：本研究引入了一种利用智能手机加速度计的机器学习回归驱动的SLE框架，以克服传统信号处理方法的局限性。在提出的SLE框架中，有效采用了八种不同的回归器模型，包括简单线性回归、k-NN、集成模型（RF和HGB回归器）以及基于多层感知器（MLP）的人工神经网络。在三种评估场景（LOOCV、未见测试和已见测试）下，对窗口大小40-100进行了全面的性能评估，结果显示HGB回归器在LOOCV和大多数已见测试中表现最佳，MAE低于1 cm；ANN在未见测试中展现出最强的泛化能力，MAE低于6.3 cm，但训练成本最高。LR计算效率最高，但MAE在特定场景下最优。模型选择需权衡预测精度与计算效率。本研究存在局限性，包括未涉及病理步态、最优窗口大小选择、快速行走时精度下降以及ANN模型的实际部署策略，这为未来研究提供了方向，例如合成病理步态数据集、自适应噪声滤波、优化问题求解以及边缘智能架构探索。
