索纳,一个护理活动数据集与惯性传感器

科学领域:

• 生物医学工程 生物医学工程
• 护理信息学 护理信息学
• 人类活动识别 人类活动识别

背景情况:

• 准确的护理文档对于高质量的患者护理和运营效率至关重要.
• 当前的文档方法可能耗时,可能无法完全捕捉护理任务的复杂性.
• 需要客观的方法来监测和记录现实世界的护理活动.

研究的目的:

• 推出SONAR,这是一个新的,公开可用的护理活动数据集,使用惯性传感器记录护理活动.
• 为从传感器数据中识别护理活动提供机器学习模型.
• 在这个领域建立深度学习架构的基准.

主要方法:

• 从14名护理人员收集了61.7小时的数据,使用了5个惯性传感器 (测量加速,角速度等). ) 的情况.
• 记录了23个不同的护理活动,这些活动是在养老院的日常任务中进行的.
• 开发并对活动识别的三种深度学习模型架构进行了基准测试.

主要成果:

• 索纳数据集为23个护理活动提供了丰富的多流传感器数据.
• 评估了使用各种指标和传感器放置的深度学习模型,证明了可行性.
• 为不同的模型架构和传感器配置建立了性能基准.

结论:

• 索纳数据集使得在真实的医疗环境中基于传感器识别人类活动的研究成为可能.
• 这项工作有可能提高护理文档的准确性和效率.
• 来自传感器数据的洞察力可以改善患者护理,并确定工作流程优化的领域.