Metodo di distillazione della conoscenza migliora l'analisi del cammino indossabile

Un nuovo metodo di deep learning, la distillazione della conoscenza basata su correlazione selettiva, è stato proposto per migliorare la stima della forza di reazione al suolo (GRF) da sensori indossabili per plantari. La GRF è cruciale per l'analisi del cammino in ambito sanitario, riabilitativo e sportivo, ma la misurazione tradizionale richiede costose pedane di forza in laboratorio. I sensori indossabili offrono portabilità ma soffrono di rumore e interferenze. I modelli di deep learning possono migliorare l'accuratezza ma richiedono elevate risorse computazionali, limitando l'uso in tempo reale su dispositivi portatili. La tecnica proposta affronta questi problemi trasferendo selettivamente la conoscenza da un modello insegnante complesso a un modello studente leggero, riducendo il carico computazionale pur mantenendo l'accuratezza. Il metodo è stato validato su un dataset, mostrando prestazioni migliori rispetto agli approcci esistenti. Questo progresso potrebbe consentire un monitoraggio pratico del cammino in tempo reale al di fuori dei contesti di laboratorio.