使用可穿戴传感器研究半性中风患者的活动识别:采用数据增强的深度学习方法

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:

• 在中风后评估每天肢体使用对于有效的康复至关重要.
• 可穿戴式传感器在家用中风恢复系统中提供了非侵入性的运动分类方法.
• 脑卒中患者的运动数据为分类模型带来了诸如可变性和稀疏性等挑战.

研究的目的:

• 用可穿戴传感器开发和评估半侧性中风患者的运动分类系统.
• 调查训练数据组成 (中风患者与非残疾人) 对模型性能的影响.
• 评估数据增强的有效性和运动不对称性对分类准确性的影响.

主要方法:

• 收集了15名半性中风患者和29名非残疾人的运动数据,他们执行了日常生活任务的运动范围和活动.
• 使用了五个惯性测量单元,由参与者在家庭环境中佩戴.
• 训练和评估一个1D卷积神经网络,使用仅ND,仅Stroke和结合ND + Stroke训练数据集.
• 应用数据增强技术 (轴旋转) 并根据运动对称性分析性能.

主要成果:

• 使用非残疾人和中风数据的联合训练显著改善了F1分数,分别为31.6% (vs. ND-only) 和10.6% (vs. Stroke-only).
• 在所有训练条件中,数据增强将F1分数平均提高了11.3%.
• 与对称运动相比,中风组的运动不对称性将F1得分降低了25.9%.

结论:

• 结合来自非残疾人和中风患者的数据,可以提高半身关性中风康复的运动分类准确性.
• 数据增强和运动不对称性的计算对于优化可穿戴式基于传感器的康复系统至关重要.
• 这些发现支持开发用于中风恢复的智能家庭康复系统.