根据人类运动对呼吸信号进行分类,通过结合1D卷积神经网络和刺的织传感器

科学领域:

• 生物医学工程 生物医学工程
• 可穿戴技术可穿戴技术
• 医疗保健中的深度学习

背景情况:

• 越来越多的人对医疗保健和身体监测的兴趣凸显了呼吸系统数据的重要性.
• 呼吸系统测量对于预防疾病和运动识别至关重要.
• 现有的方法可能缺乏用于连续,多动作监控所需的多功能性.

研究的目的:

• 开发一种基于织品的多功能传感器服装,用于测量呼吸系统数据.
• 使用基于电容的传感器识别稳定的呼吸系统测量的最佳频率.
• 通过使用深度学习与传感器数据来分类四种不同的人类运动 (站立,行走,快速行走,跑步).

主要方法:

• 采集了呼吸系统数据,使用一种基于电容的新型传感器服装,带有集成的导电电极.
• 用多孔的Eco-flex进行了实验,以确定最稳定的测量频率,确定45 kHz.
• 训练了一种1D卷积神经网络 (CNN) 模型,从一个对应于四个运动的单个输入来分类呼吸数据.

主要成果:

• 为基于电容的传感器服装建立了45kHz的稳定测量频率.
• 1D CNN模型在分类与站立,行走,快速行走和跑步相关的呼吸数据方面表现出高准确率 (>95%).
• 开发的传感器服装成功地测量和分类了四种不同的运动中的呼吸数据.

结论:

• 基于织品的传感器服装是一种多功能可穿戴设备,能够准确测量呼吸数据.
• 深度学习 (1D CNN) 的集成使得基于呼吸模式的多个人类运动的有效分类成为可能.
• 这项技术在各种医疗监测应用中具有重大潜力.