数据分类结果的比较在严的游戏中用于风湿性关节炎的康复
Gabriela Varga1, Lăcrămioara Stoicu-Tivadar1, Stelian Nicola1
1Politehnica University Timişoara, Department of Automation and Applied Informatics, 2, Vasile Pârvan Blvd., 300223, Timişoara, România.
Studies in health technology and informatics
|October 23, 2023
概括
这项研究使用机器学习和跳跃运动来检测类风湿性关节炎患者的握力运动. 实现了高精度 (超过97%),有助于恢复和日常活动监控.
科学领域:
- 生物医学工程 生物医学工程
- 康复技术 康复技术 康复技术
- 医疗保健中的机器学习
背景情况:
- 类风湿性关节炎通常会影响手腕,手指和脚关节,影响日常活动.
- 技术,包括虚拟现实和手势识别,越来越多地用于康复和学习.
- 精确监测手部功能对于管理类风湿性关节炎进展和治疗疗效至关重要.
研究的目的:
- 评估机器学习算法的有效性,用于检测关节炎患者的握力运动,使用跳跃运动技术.
- 为了比较Naïve Bayes和Random Forest分类器在分析抓地移动数据中的性能.
- 为患者监测和治疗提供握力运动检测准确度的定量评估.
主要方法:
- 使用跳动设备捕获手和手指运动数据.
- 使用两个机器学习模型的二进制分类:天真贝叶斯和随机森林分类器.
- 在5000个数据点上训练算法,并在1500个数据点上进行测试,使用准确度,精度,回忆和F1分数来评估性能.
主要成果:
- 纯粹贝叶斯分类器和随机森林分类器都实现了超过97%的准确性和精度.
- 为了清晰可视化分类性能,生成了混矩阵.
- 该研究在检测关节炎患者相关的握力运动方面表现出高效.
结论:
- 机器学习算法,特别是naive bayes和random forest,显示出在风湿性关节炎中准确检测握力运动的重大前景.
- 跳动技术与这些算法相结合,为风湿病学中的客观评估提供了可行的工具.
- 取得的高精度表明,在远程患者监测,个性化治疗和类风湿关节炎辅助技术方面有潜在的应用.
