Smart‑Sohlen erkennen Aktivitäten mit zirkulärem dilatiertem CNN

Neue Forschung zeigt, dass intelligente Einlegesohlen mit Drucksensoren, Beschleunigungsmessern und Gyroskopen die menschliche Gangart und Körperhaltung ohne Eingriff überwachen können. Ein neu entwickeltes Klassifikationssystem nutzt ein zirkuläres dilatiertes Convolutional Neural Network (CDCNN), um multimodale Zeitreihen aus diesen Sensoren zu verarbeiten.

Das Netzwerk arbeitet mit 160‑Frame‑Fenstern und 24 Kanälen – 18 für Druck, 3 für Beschleunigung und 3 für Gyroskopdaten. In einer vier‑klassigen, subjektunabhängigen Testung erreichte es eine Genauigkeit von 86,42 %. Im Vergleich dazu erzielte ein XGBoost‑Modell, das flache Daten nutzt, 87,83 %. Die Permutations‑Feature‑Importance‑Analyse zeigte, dass die inertialen Sensoren einen wesentlichen Beitrag zur Unterscheidung leisten.

Dank seiner kompakten Architektur eignet sich das CDCNN ideal für eingebettete Systeme und Echtzeit‑Inference. Die Ergebnisse deuten darauf hin, dass Smart‑Sohlen künftig präzise und nicht‑invasive Bewegungsüberwachung in Bereichen wie Sport, Rehabilitation und Alltag ermöglichen können.