利用智能手机在较长时间内采集运动数据的机会，为临床运动分析领域开辟了新的前景。然而，在自由生活条件下监测人们的移动能力时，智能手机的放置位置会影响所提取数字化移动性结局指标的有效性。本研究旨在开发并验证一种智能手机放置位置自动识别分类器，并探究可能影响其性能的关键因素。
该分类器基于15名健康参与者的数据进行训练，所用数据为智能手机在自由生活步行过程中放置于六种身体位置时采集的惯性信号；随后，研究在超过3,000名来自外部数据集的个体中对其进行了外部验证，这些个体包括失明参与者以及心血管疾病或帕金森病患者。研究采用特征子集维度逐步增加的方式开发了一个决策树集成模型，其中最优子集包含50个特征。
当前侧口袋和后侧口袋放置位置被合并时，分类准确率持续提高（81.1%）；当外套口袋也被纳入“口袋”类别后，分类准确率进一步提升（88.5%），这凸显了区分细粒度口袋放置位置的挑战。在各外部数据集中，识别效果最佳的放置位置为下背部（精确率：100%，召回率：72.5%）、手持（精确率：94.2%，召回率：94.5%）以及合并后的口袋类别（精确率：86.7%，召回率：90.2%）。
识别准确率在不同队列（0.73–0.85）、活动（0.63–0.94）和速度（0.79–0.87）之间发生变化，但在各种技术和环境因素下保持一致。
总体而言，本研究证明了在步行场景中实现稳健放置位置识别的可行性，并强调了在设计拟部署于异质性真实世界或临床环境中的框架时，考虑关键影响因素的重要性。
感谢您有兴趣帮助传播关于 bioRxiv 的信息。
注意：请求您的电子邮箱地址仅用于将您识别为本文的发送者。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.05.12.724503v1?rss=1
🏷️ 智能手机放置识别 惯性传感器 步态分析 决策树集成 数字化移动性评估