基于多模态变换器的步态分析及深度学习模型在防滑鞋评估中的应用

《IEEE Transactions on Artificial Intelligence》：Multi-Modal Transformer-Based Gait Analysis and Deep Learning Model for Slip-Resistant Footwear Evaluation

　　

影响声明：

为防止滑倒，穿着防滑鞋是最有效的解决方案之一。防滑性能通常通过耗时且成本高昂的测试方法进行评估...显示更多

摘要：

滑倒仍然是导致受伤的主要原因，尤其是在结冰的冬季环境和表面湿滑的职场环境中。已经设计了几种实验室和现场测试系统来评估鞋子的防滑性能，包括机械测试仪、摩擦计以及以人为中心的步态评估方法。虽然机械测试可以为鞋子提供标准化的防滑性能指标，但它们往往无法反映人类步态、环境条件和人体测量数据的实际变化。另一方面，尽管以人为中心的测试方法确保了生态有效性，但它通常只给出基于多名参与者的综合评分，这掩盖了个体之间的生物力学差异，并限制了提供个性化防滑性能评估的能力。本研究介绍了一种基于Transformer的回归模型，该模型整合了（1）时间生物力学特征、（2）鞋底图像、（3）鞋子元数据以及（4）人体测量数据，从而预测了18名参与者在两种冰面（湿冰和干冰）上进行的578次行走试验中84双鞋子的个性化防滑性能评分。我们的多模态深度学习模型的预测性能因表面条件而异，在干冰表面的预测效果明显更好（均方根误差：1.34° ± 0.34°，R2：0.45 ± 0.09，平均绝对百分比误差：10.48% ± 3.58%），而在湿冰表面则较差（均方根误差：2.34° ± 0.43°，R2：0.47 ± 0.12，平均绝对百分比误差：21.45% ± 6.89%）。这些结果表明，结合生物力学特征和鞋底特性可以可靠地评估不同环境条件下的滑倒风险。此外，这些结果强调了需要适应性强的、考虑上下文因素的测试协议，并为开发旨在预防受伤的智能鞋子评估工具铺平了道路。