利用智能手機在較長時間內採集運動數據的機會，為臨床運動分析領域開闢了新的前景。然而，在自由生活條件下監測人們的移動能力時，智能手機的放置位置會影響所提取數字化移動性結局指標的有效性。本研究旨在開發並驗證一種智能手機放置位置自動識別分類器，並探究可能影響其性能的關鍵因素。
該分類器基於15名健康參與者的數據進行訓練，所用數據為智能手機在自由生活步行過程中放置於六種身體位置時採集的慣性信號；隨後，研究在超過3,000名來自外部數據集的個體中對其進行了外部驗證，這些個體包括失明參與者以及心血管疾病或帕金森病患者。研究採用特徵子集維度逐步增加的方式開發了一個決策樹集成模型，其中最優子集包含50個特徵。
當前側口袋和後側口袋放置位置被合併時，分類準確率持續提高（81.1%）；當外套口袋也被納入“口袋”類別後，分類準確率進一步提升（88.5%），這凸顯了區分細粒度口袋放置位置的挑戰。在各外部數據集中，識別效果最佳的放置位置為下背部（精確率：100%，召回率：72.5%）、手持（精確率：94.2%，召回率：94.5%）以及合併後的口袋類別（精確率：86.7%，召回率：90.2%）。
識別準確率在不同隊列（0.73–0.85）、活動（0.63–0.94）和速度（0.79–0.87）之間發生變化，但在各種技術和環境因素下保持一致。
總體而言，本研究證明了在步行場景中實現穩健放置位置識別的可行性，並強調了在設計擬部署於異質性真實世界或臨床環境中的框架時，考慮關鍵影響因素的重要性。
感謝您有興趣幫助傳播關於 bioRxiv 的資訊。
注意：請求您的電子電郵地址僅用於將您識別為本文的發送者。
📄 原文連結：https://www.biorxiv.org/content/10.64898/2026.05.12.724503v1?rss=1
🏷️ 智能手機放置識別 慣性傳感器 步態分析 決策樹集成 數字化移動性評估