再発性ニューラルネットワークを備えた低コストのスマートインソールセンサーを較正して、圧力中心を正確に予測するために

このペーパーでは、低コストのFSRセンサーを使用して、地上反動力（GRF）と圧力中心（COP）を予測するスキームを提案します。GRFとCOPのデータは、一般的にスマートインソールから収集され、着用者の歩行と診断バランスの問題を分析します。このアプローチを利用して、ユーザーのリハビリテーションプロセスを改善し、特定の疾患患者のカスタマイズされた治療計画を可能にし、多くの分野で有用な技術になります。ただし、F-ScanなどのGRFとCOPの値を直接監視するための従来の測定機器は高価であり、業界の商業化に挑戦しています。この問題を解決するために、このペーパーでは、高価な機器ではなく低コストの力センシング抵抗器（FSR）センサーのみを使用して、関連するインジケーターを予測する技術を提案しています。この研究では、低コストのFSRセンサーとF-SCANデバイスを装着した被験者からのデータを同時に収集し、収集されたデータセット間の関係を監視された学習手法を使用して分析しました。提案された手法を使用して、FSRセンサーからのデータのみを使用して、実際のFスキャン値に近い予測値を導出できる人工ニューラルネットワークが構築されました。このプロセスでは、GRFとCOPは、ソール全体の圧力値の代わりに6つの仮想力を使用して計算されました。さまざまなシミュレーションを通じて、従来の予測手法と比較して提案された手法を使用すると、30％以上の予測精度が向上することが可能であることが検証されました。

This paper proposes a scheme for predicting ground reaction force (GRF) and center of pressure (CoP) using low-cost FSR sensors. GRF and CoP data are commonly collected from smart insoles to analyze the wearer's gait and diagnose balance issues. This approach can be utilized to improve a user's rehabilitation process and enable customized treatment plans for patients with specific diseases, making it a useful technology in many fields. However, the conventional measuring equipment for directly monitoring GRF and CoP values, such as F-Scan, is expensive, posing a challenge to commercialization in the industry. To solve this problem, this paper proposes a technology to predict relevant indicators using only low-cost Force Sensing Resistor (FSR) sensors instead of expensive equipment. In this study, data were collected from subjects simultaneously wearing a low-cost FSR Sensor and an F-Scan device, and the relationship between the collected data sets was analyzed using supervised learning techniques. Using the proposed technique, an artificial neural network was constructed that can derive a predicted value close to the actual F-Scan values using only the data from the FSR Sensor. In this process, GRF and CoP were calculated using six virtual forces instead of the pressure value of the entire sole. It was verified through various simulations that it is possible to achieve an improved prediction accuracy of more than 30% when using the proposed technique compared to conventional prediction techniques.