Le modèle d'apprentissage automatique détecte les promenades en intérieur ou en extérieur sur la base uniquement des données de mouvement

La large disponibilité de capteurs portables permet une collecte de données riche sur les habitudes de marche d'une personne, fournissant ainsi des informations précieuses sur sa santé. Mais des facteurs tels que l’emplacement, le terrain ou l’environnement bâti modifient le comportement de marche, rendant les données difficiles à interpréter sans contexte.

Une équipe de recherche dirigée par l'Université du Michigan a développé et validé un modèle de classification utilisant un seul accéléromètre porté sur la cuisse pour distinguer avec précision la marche en intérieur et en extérieur et analyser comment chaque contexte affecte le comportement de marche.

Ils ont constaté que les participants marchaient beaucoup plus vite, plus longtemps et de manière plus continue lorsqu'ils marchaient à l'extérieur qu'à l'intérieur.

« Cela améliore les modèles précédents qui reposaient sur plusieurs capteurs et données GPS pour contextualiser les données de marche, ce qui réduisait l'aspect pratique et soulevait des problèmes de sécurité », a déclaré Alex Shorter, co-auteur de l'étude publiée dans Rapports scientifiqueset professeur agrégé de génie mécanique.

« Cette méthode a le potentiel d'être utilisée avec des capteurs plus courants comme les montres intelligentes. Nous espérons constituer une base pour de futures recherches sur les nuances du comportement de marche humain dans différents environnements », a déclaré Loubna Baroudi, premier auteur de l'article et doctorant. du génie mécanique.

Shorter a ajouté : « Cette technologie pourrait être utilisée dans un établissement de soins de santé pour suivre la quantité et le type de marche qu'un patient effectue après une intervention chirurgicale ou pendant la rééducation physique afin de surveiller les progrès de sa mobilité.

Les chercheurs ont d'abord collecté des données sur sept jours auprès de 20 participants portant un accéléromètre scotché sur la cuisse pour permettre un placement discret lors de la collecte de données de mouvement. Les participants ont déclaré eux-mêmes le but de la marche et les coordonnées GPS, que les chercheurs ont utilisées pour qualifier les données de l'accéléromètre de marche en intérieur ou en extérieur.

Cet ensemble de données étiqueté a ensuite été utilisé pour former et valider deux modèles d'apprentissage automatique, une forêt aléatoire et un ensemble Support Vector Machine (SVM), en utilisant un schéma de validation sans un participant sur 15 des 20 participants. Les modèles formés ont été testés sur les données des cinq participants restants pour sélectionner le modèle le plus performant.

« La validation de notre algorithme sur la base des données de marche collectées au cours des routines quotidiennes plutôt que dans un laboratoire améliore considérablement son utilisation pour des applications vastes et réelles », a déclaré Baroudi.

Le modèle sélectionné a ensuite été utilisé pour étiqueter les promenades intérieures et extérieures et analyser la cinématique de chaque paramètre à partir d'un deuxième ensemble de données collectées auprès de 15 participants sur 14 jours.

Les périodes de marche en extérieur étaient significativement plus longues, impliquaient moins de temps debout et avaient une vitesse de foulée plus élevée. S’il est appliqué aux trackers d’activité, viser une proportion plus élevée de marche en extérieur qu’en intérieur pourrait encourager des périodes de marche plus vigoureuses.

Les autres co-auteurs incluent Kira Barton de l’Université du Michigan et Stephen M. Cain de l’Université de Virginie occidentale.