隨著科技的迅速發展，穿戴式裝置在我們的日常生活中變得越來越普遍。這些裝置不僅能追蹤我們的健康狀況，還能提供有價值的數據來評估我們的身體能力。其中，步行速度是一項關鍵指標，能夠反映一個人的步行能力和整體健康水平。過去各廠家使用了各種工具來預估步行速度，如手錶、腰部感測器及足部感測器等，但大多數穿戴式裝置主要是透過全球定位系統 (Global Positioning System, GPS) 來預估速度。GPS的好處在於它能夠提供大範圍的地理位置和速度資訊，適用於長距離和戶外的活動。然而，GPS也有其缺點，例如在室內或信號較差的地方 (如城市中的高樓密集區或森林) 會出現定位不準確或無法定位的情況。且使用GPS技術也會增加電量消耗，對於穿戴式裝置的電池續航力是一大挑戰。因此在這些穿戴式裝置上，是否有無須透過GPS就能預估步行速度的方式？
為了克服這些限制，2024年一篇發表於Sensors的研究，提出了一種新的方法，利用日常常見的穿戴裝置 (智慧型手機、智慧手錶以及專門設計用於步態分析的智慧鞋) 來預估步行速度，將手機放置於褲子左邊前側口袋，手錶佩戴在左手腕。透過裝置內部的慣性感測器從不同的肢段捕捉步態的資訊，並與黃金標準儀器動作捕捉系統進行比較，來確定哪些設備組合能夠提供準確的步行速度預估。
即使不使用GPS技術也能預估步行速度！
研究結果顯示所有裝置組合都顯示出不錯的準確性 (r2=.76 ~ .86; RMSE=.109 ~ .141)，其中以手錶+鞋子組合的準確性最高、誤差最小 (r2= .86; RMSE= .109)，而使用單一裝置以手機最佳 (r2= .83; RMSE= .114)。
通過機器學習技術擷取穿戴式裝置所捕捉行走時的信號特徵，可以非常準確地預估步行速度。結果顯示，通過融合多個裝置的數據並應用機器學習，能夠顯著提高步行速度預估的準確性。
在驗證準確的測試中，使用六分鐘步行測試（6 minute-walking-test, 6MWT）來驗證相同演算法預估的步行速度及距離是否準確。結果顯示同樣也達到了高準確性及低誤差。這顯示出利用機器學習技術融合多裝置數據的演算法在不同的測試情境下，皆能穩定地提供準確的步行速度預估。
然而，當同時使用所有穿戴裝置時，發現步行速度預估的準確性有所下降。主要原因可能是來自不同感測器提取的資料可能會引入雜訊，從而降低辨別特徵值的準確性。使得預測準確性不如預期。因此，在多設備融合的情況下，需要更加謹慎地選擇和整合特徵值，以減少雜訊對演算法的影響。
綜合以上，利用機器學習技術和多種穿戴裝置來預估步行速度，不僅能夠提高步行速度和步行距離的預估準確性，還有助於提高使用者的意願，因為可以根據自身需求選擇最適合的穿戴式裝置。此外，還可以在更多的環境下使用，不必再為了GPS受到環境的干擾而導致速度失準或沒有訊號等情況而煩惱。若是這樣的產品問世，是否也會有興趣使用看看呢？
參考文獻：Zanoletti, M., Bufano, P., Bossi, F., Di Rienzo, F., Marinai, C., Rho, G., Vallati, C., Carbonaro, N., Greco, A., Laurino, M., & Tognetti, A. (2024). Combining different wearable devices to assess gait speed in real-world settings. Sensors (Basel, Switzerland), 24(10), 3205. https://doi.org/10.3390/s24103205
加入會員看更多
