在MPL-CNN的基础上检测上肢运动障碍的康复训练效应

科学领域:

• 康复医学 康复医学 康复医学
• 生物医学工程 生物医学工程
• 医疗保健中的人工智能

背景情况:

• 卒中往往导致上肢运动障碍,需要有效的康复.
• 准确评估康复进展对于优化患者康复和治疗策略至关重要.
• 目前评估康复有效性的方法可能是主观的或缺乏实时反.

研究的目的:

• 开发和验证一个高度准确和强大的模型,用于检测中风患者上肢康复运动.
• 通过客观的绩效评估,提高康复培训的准确性和个性化程度.
• 建立一种标准化和可靠的方法,使用已建立的临床评估表格来评估康复结果.

主要方法:

• 使用媒体管用于关键点特征提取上肢和手部运动.
• 开发了一个新的MPL-CNN模型,集成LSTM和CNN架构,用于动作识别.
• 创建并使用FMA (Fugl-Meyer上肢) 上肢康复数据集进行模型培训和验证.

主要成果:

• 在FMA评估的所有阶段,MPL-CNN模型在上肢康复培训行动中实现了95%的识别准确度.
• 各种上肢康复行动的平均准确率达到97.54%.
• 在不同类别的行动中证明了该模型的高度稳定性,证实了其有效性和可行性.

结论:

• MPL-CNN模型提供了一种高精度的检测方法,用于评估中风后的上肢运动障碍康复.
• 这项技术可以帮助临床医生监测患者的进展,并定制康复计划以改善结果.
• 拟议的方法支持个性化和精确的康复,最终促进更快的患者恢复.