用可穿戴运动传感器对自动婴儿运动分类进行自我监督预训的评估

科学领域:

• 生物医学工程 生物医学工程
• 发育儿科 发育儿科
• 医疗保健中的机器学习

背景情况:

• 婴儿运动性能评估对于早期发现发育问题至关重要.
• 当前的方法往往缺乏客观性和可扩展性,在医院以外的环境中.
• MAIJU可穿戴设备提供自动化,客观的婴儿运动评估.

研究的目的:

• 调查自主监督预训对MAIJU数据分类准确性的影响.
• 确定前培训数据的情境选择性质量选是否进一步提高了分类器的性能.
• 提高自动婴儿运动分析的可靠性和稳定性.

主要方法:

• 使用自主监督学习技术,在未标记的MAIJU数据上预训练分类模型.
• 实施了情境选择性质量选,以过预训练数据集,不包括婴儿运动最小或传感器数据丢失的时期.
• 根据预训练和数据选后的准确性改进,评估了分类器的性能.

主要成果:

• 自主监督的预训强大提高了婴儿姿势和运动分类模型的准确性.
• 预培训数据的环境选择性质量选导致了显著的额外绩效提升.
• 这些发现证明了先进机器学习对基于可穿戴的婴儿分析的有效性.

结论:

• 自主监督学习是一种可行的方法,可以通过智能可穿戴设备提高婴儿运动能力评估的准确性.
• 通过质量选优化培训前数据,显著提高了分类器的性能.
• 这种方法支持更可靠的非医院发育监测和临床决策.