一个个性化的机器学习方法来估计人体体重,使用智能鞋底

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
• 机器学习 机器学习

背景情况:

• 快速体重波动标志着严重的健康问题,如心力衰竭或脱水.
• 每日权衡无法捕捉一天内的体重变化,并遭受患者不良遵守.
• 目前的监测方法缺乏准确性和实时能力,以持续评估重量.

研究的目的:

• 开发一种机器学习框架,以使用鞋内传感器进行持续的实时体重估计.
• 通过引入两种新型数据集,解决训练体重估计模型的公共数据集稀缺问题.
• 创建一个适应性系统,考虑个体患者的因素,如鞋类和步态.

主要方法:

• 利用机器学习模型,从鞋子内传感器收集的数据中预测连续的体重.
• 开发并验证了一种包含患者特定参数 (鞋类,姿势,脚形状,步态) 的新型框架.
• 引入了两个新的数据集,以促进重量估计模型的培训和基准测试.

主要成果:

• 在重量估计方面取得了高准确性,平均绝对百分比误差为0.61% (控制较少) 和0.74% (控制较强).
• 证明低 平均绝对误差为1.009磅. (不太控制) 和1.154磅. (更多的控制).
• 拟议的框架显示了可靠的患者监测的巨大潜力.

结论:

• 鞋内底传感器与机器学习相结合,为准确的实时体重监测提供了一个有前途的解决方案.
• 这项技术可以增强远程医疗服务,并支持可靠的现场老化监测.
• 开发的框架和数据集为远程患者护理的先进应用铺平了道路.