Эволюционный алгоритм искусственного интеллекта для оптимизации обнаружения фаз шага по данным трёхосевого акселерометра, размещённого на стопе
Another Title
Evolutionary Artificial Intelligence Algorithm for Optimizing Step Phase Detection Based on Foot-Mounted Triaxial Accelerometer Data
Bibliographic entry
Хмарский, П. А. Эволюционный алгоритм искусственного интеллекта для оптимизации обнаружения фаз шага по данным трёхосевого акселерометра, размещённого на стопе = Evolutionary Artificial Intelligence Algorithm for Optimizing Step Phase Detection Based on Foot-Mounted Triaxial Accelerometer Data / П. А. Хмарский // Приборы и методы измерений. – 2025. – № 2. – С. 98-108.
Abstract
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.
Abstract in another language
The aim of this study was to develop and experimentally validate an algorithm for automatic selection of filter frequency characteristics and detection threshold in order to enhance the accuracy and reliability of gait phase detection. This challenge is crucial not only for objective rehabilitation and monitoring of motor activity, but also for sports analytics, ergonomics, gaming and engineering applications, as well as studies of human locomotion. An automated approach for optimizing the parameters of a gait phase detector based on data from a three-axis foot-mounted accelerometer is presented. This work implements an evolutionary artificial intelligence algorithm that mimics natural selection processes, providing automatic search for the optimal gait phase detector parameters by minimizing the error between the trajectory obtained from inertial measurement units and the reference (optical) trajectory acquired using an OptiTrack system. Details are provided regarding the formation and evolution of the parameter population, design of the objective function, and drift compensation methods utilized during acceleration integration. Experiments involving walking along a closed square path confirmed the high accuracy and robustness of the proposed method: the match between the optimized and reference trajectories demonstrates the practical applicability of the approach for precise gait reconstruction under different conditions. The proposed methodology is easily adaptable to individual movement characteristics and can be integrated into modern wearable sensor systems for a wide range of scientific and applied tasks
View/
Collections
- Т. 16, № 2[9]