Preview

Эволюционный алгоритм искусственного интеллекта для оптимизации обнаружения фаз шага по данным трёхосевого акселерометра, размещённого на стопе

https://doi.org/10.21122/2220-9506-2025-16-2-98-108

Аннотация

Современные технологии захвата движения и анализа его параметров, основанные на использовании инерциальных измерительных модулей, находят всё более широкое применение в различных областях: биомедицинская инженерия, спорт, мониторинг физической активности, эргономика, научные исследования движения и смежные дисциплины. Цель исследования заключалась в разработке и экспериментальной проверке алгоритма автоматического подбора частотных характеристик фильтров и порога обнаружения для повышения точности и надёжности обнаружения фаз шага. Данная задача имеет принципиальное значение не только для объективной реабилитации и мониторинга двигательной активности, но и для задач спортивной аналитики, эргономики, игровых и инженерных разработок, а также научных исследований локомоции. В работе представлен автоматизированный подход к оптимизации параметров обнаружителя фаз шага на основе данных трёхосевого акселерометра, закреплённого на стопе. Реализован эволюционный алгоритм искусственного интеллекта, имитирующий процессы естественного отбора, который обеспечивает автоматический поиск оптимальных параметров обнаружителя шага путём минимизации ошибки между восстановленной с помощью инерциальных измерительных модулей и эталонной (оптической) траекторией, полученной с системой OptiTrack. Подробно описаны механизмы формирования и эволюции популяции параметров, построение целевой функции и методы компенсации дрейфа при интегрировании ускорения. Эксперименты с движением по замкнутому квадратному маршруту подтвердили высокую точность и устойчивость предлагаемого метода: совпадение оптимизированной траектории с эталонной указывает на практическую применимость подхода для точной реконструкции локомоции в различных условиях. Методика легко адаптируется к индивидуальным особенностям движений и может быть интегрирована в современные носимые сенсорные системы для широкого спектра научных и прикладных задач.

Об авторе

П. А. Хмарский
Институт прикладной физики Национальной академии наук Беларуси
Беларусь

Адрес для переписки:
Хмарский П.А. –
Ин-т прикладной физики Национальной академии наук Беларуси,
 ул. Академическая, 16, г. Минск 220072, Беларусь

e-mail: pierre2009@mail.ru



Список литературы

1. Winter DA, Thomas SJ, Zeni JA. Winter’s Biomechanics and Motor Control of Human Movement. Fifth Edition. Hoboken, NJ: John Wiley & Sons. 2023;384 p.

2. Yang CC, Hsu YL. A review of accelerometrybased wearable motion detectors for physical activity monitoring. Sensors. 2010;10:7772-7788. DOI: 10.3390/s100807772

3. Ortega-Bastidas P, Malagelada J, Vera-Garcia FJ, Prat-González S, Navarro-Flores E. Segura-Ortí E. Instrumented Timed Up and Go Test (iTUG) – More Than Assessing Time to Predict Falls: A Systematic Review. Gait & Posture. 2023;104:57-66. DOI: 10.1016/j.gaitpost.2023.02.016

4. Jung S, Rauter G, Blöchlinger M, Dietz N, Jeker R, Wolf P. A Machine Learning Pipeline for Gait Analysis in a Semi Free-Living Environment with Foot-Mounted IMUs. Sensors. 2023;23(8):20. DOI: 10.3390/s23084000

5. Dijkstra B, Zijlstra W, Scherder E. [et al.]. Detection of walking periods and number of steps in older adults and patients with Parkinson's disease: accuracy of a pedometer and an accelerometry-based method. Age and Ageing. 2008;37:436-441. DOI: 10.1093/ageing/afn097

6. Chen M, Zhang S, Liu Y, Guo Y, Zhu Q, Bai Y, Lin Y, Wei C, Zhang Y. A Systematic Review of Wearable Sensor-Based Technologies for Fall Risk Assessment in Community-Dwelling Older Adults. Sensors. 2022;22(18):6752. DOI: 10.3390/s22186752

7. Banos O, Galvez JM, Damas M. [et al.]. Window Size Impact in Human Activity Recognition. Sensors. 2014;14:6474-6499. DOI: 10.3390/s140406474

8. Song Z, Ou J, Shu L, Hu G, Wu S, Xu X, Chen Z. Fall Risk Assessment for the Elderly Based on Weak Foot Features of Wearable Plantar Pressure. IEEE Transactions on Neural Systems and Rehabilitation Engineering. 2022;30:1060-1070. DOI: 10.1109/TNSRE.2022.3167473

9. Xu L, Yang F, Li J, Mu Z, Xiao Z. Wearable Continuous Gait Phase Estimation During Walking, Running, Turning, Stairs, and Over Uneven Terrain. IEEE Transactions on Medical Robotics and Bionics. 2024;6:1135-1146. DOI: 10.1109/TMRB.2024.3407366

10. Bet P, Castro PC, Ponti MA. Foreseeing Future Falls with Accelerometer Features in Active CommunityDwelling Older Persons with No Recent History of Falls. Experimental Gerontology. 2021;143:111139. DOI: 10.1016/j.exger.2020.111139

11. Wang Z, Zhao H, Qiu S. [et al.]. Stance-Phase Detection for ZUPT-Aided Foot-Mounted Pedestrian Navigation System. IEEE/ASME Transactions on Mechatronics. 2015;20:2661-2669. DOI: 10.1109/TMECH.2015.2430357

12. Хмарский П.А., Голубева С.А., Губкин С.В., Лемешко Е.В. Использование в медицинских исследованиях тактильного костюма Teslasuit c системой инерциального захвата движения // Неразрушающий контроль и диагностика. – 2024. – № 2. – С. 41–52.


Рецензия

Для цитирования:


Хмарский П.А. Эволюционный алгоритм искусственного интеллекта для оптимизации обнаружения фаз шага по данным трёхосевого акселерометра, размещённого на стопе. Приборы и методы измерений. 2025;16(2):98-108. https://doi.org/10.21122/2220-9506-2025-16-2-98-108

For citation:


Khmarskiy P.A. Evolutionary Artificial Intelligence Algorithm for Optimizing Step Phase Detection Based on Foot-Mounted Triaxial Accelerometer Data. Devices and Methods of Measurements. 2025;16(2):98-108. (In Russ.) https://doi.org/10.21122/2220-9506-2025-16-2-98-108

Просмотров: 21


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2220-9506 (Print)
ISSN 2414-0473 (Online)