深度学习增强的物联网用于中风后康复中的活动识别

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
• 医疗保健中的人工智能

背景情况:

• 可穿戴式传感器为中风患者康复提供先进的活动监测,但产生大而复杂的数据集.
• 传统方法在实时处理,数据可视化和跟踪高维传感器数据方面遇到了困难.
• 准确的人类活动识别 (HAR) 对于有效的康复进展评估至关重要.

研究的目的:

• 利用深度学习开发一种用于中风后康复的智能系统.
• 通过可穿戴传感器,提出一种用于通过可穿戴传感器准确识别中风患者活动的新框架.
• 提高康复机构活动监测和识别的准确性和效率.

主要方法:

• 一个数据融合机制,使用多个传感器来创建一个融合张量.
• 实施双向长期和短期记忆 (BiLSTM) 网络,并配备注意力机制.
• 开发一个增强的损失函数,以优化深度学习模型的性能.

主要成果:

• 拟议的BiLSTM网络有效地捕获了传感器数据中的时间模式和长期依赖性.
• 新的框架在活动识别方面表现优异,与基线和其他方法相比.
• 在基准数据集上的实验结果验证了算法的有效性.

结论:

• 开发的智能系统显著提高了中风患者的活动识别精度.
• 数据融合,BiLSTM和注意力机制的结合为基于可穿戴传感器的HAR提供了一个强大的方法.
• 这一框架为监测和管理中风康复提供了更有效和更实用的解决方案.