研究發展處

計畫主持人－林伯星特聘教授（國立臺北大學資訊工程學系）

【計畫期間】114年04月01日－115年03月31日
【團隊成員】 施侑儒碩士班學生（國立臺北大學資訊工程學系）
【摘要及成果】長時間的步態不穩定可能增加跌倒風險，特別是對老年人或平衡能力下降的族群而言，因此建立一種可於日常生活中長期使用且便利的步態平衡監測方法具有重要意義。本研究提出一種基於穿戴式慣性測量單元（inertial measurement unit, IMU）的多地形步態平衡監控系統，透過單顆佩戴於左腳踝的九軸 IMU 感測器收集步態資料，並利用深度學習模型分析不同地形下的步態特徵。本研究建立兩個深度學習模型，分別用於伯格氏平衡量表（Berg balance scale, BBS）分數預測與地形分類。為了實現日常生活中的即時應用，本研究進一步將訓練完成的模型轉換為 TensorFlow Lite 格式並部署於智慧型手機上，以實現邊緣運算，使系統能在手機端即時進行步態分析而不需依賴雲端運算。實驗結果顯示，在 TensorFlow Lite 模型測試中，BBS預測模型達到平均絕對誤差1.20，而地形分類模型的辨識準確率達 98.32%。透過長期監測使用者的步態平衡狀態，本系統可在平衡能力出現下降趨勢時提供早期警示，使醫療人員能及早介入復健訓練以降低跌倒風險；此外，系統亦可分析使用者在不同地形下的平衡表現，找出較不穩定的步行情境，協助針對相關肌群進行強化訓練，以改善整體步態穩定度。