基于组合三轴ACC和ECG传感器的可穿戴贴片的临床人类活动识别
Yanling Ren1, Minqi Liu2, Ying Yang1
1School of Mechanical Engineering, Hangzhou Dianzi University, Hangzhou, China.
Digital health
|January 8, 2024
概括
结合心电图 (ECG) 和加速 (ACC) 信号,可显著提高用于康复监测的人类活动识别 (HAR) 的准确性. 这种方法增强了HAR的结果,特别是在健康人群中,提供了新的临床应用.
科学领域:
- 数字医学 数字医学
- 生物医学工程 生物医学工程
- 康复技术的技术康复技术
背景情况:
- 人类活动识别 (HAR) 对于监测患者在数字医学方面的进展至关重要,特别是对于老年人和残疾人.
- 灵活的传感器提供了一种非侵入性的方法来收集生理和运动数据.
研究的目的:
- 评估结合心电图 (ECG) 和加速 (ACC) 信号用于人类活动识别 (HAR) 的有效性.
- 为了比较深度学习模型 (CNN,LSTM,CNN-LSTM,GRU) 在HAR中使用组合ECG+ACC数据与单独使用ACC数据的性能.
主要方法:
- 一个贴片类型的灵活传感器被用来同时记录动态心电图和ACC信号.
- 在七项HAR任务中,从20名健康志愿者和25名肺结核病患者收集了数据.
- 应用了四种深度学习模型 (CNN,LSTM,CNN-LSTM,GRU) 来分析记录的信号.
主要成果:
- 与ACC单独相比,同时使用的ECG和ACC数据在健康人群和肺结核病患者中,在所有四种模型中都产生了更高的HAR准确率.
- 在健康人群中,CNN-LSTM模型获得了最高的准确性 (0.9843),而在肺结核病患者中,CNN-LSTM也表现最好 (0.9425).
- 添加ECG信号显著改善了健康个体的HAR准确性,对肺结核病患者的影响不那么明显,但仍然显著.
结论:
- 结合ACC和ECG信号代表了一种新有效的方法来增强临床应用中的HAR.
- 综合传感器方法显示了改善康复监测和患者生活质量的潜力.
- 进一步的研究可能会探索心电图信号在不同患者群体的HAR精度上的差异性影响.
