数据增强技术用于精确的动作分类中风患者与半
1School of Computing, Gachon University, Seongnam 13120, Republic of Korea.
Sensors (Basel, Switzerland)
|March 13, 2024
概括
这项研究通过使用数据增强来改进动作检测的深度学习模型来改善中风康复. 旋转增强与联合训练相结合,显著提高了分类性能,特别是在有限的患者数据的情况下.
科学领域:
- 生物医学工程 生物医学工程
- 机器学习 机器学习
- 康复科学 康复科学 康复科学
背景情况:
- 脑卒中幸存者需要有效的家庭康复治疗.
- 在康复中用于行动检测的深度学习模型面临由于稀疏和异质数据的挑战.
研究的目的:
- 调查数据增强和模型培训策略,以改善基于深度学习的动作检测,用于中风康复.
- 解决患者数据分类中的数据稀疏性和异质性问题.
主要方法:
- 测试了三种数据转换,使用不同的数据量来评估分类性能.
- 通过预训练的一维卷积神经网络 (Conv1D) 和InceptionTime模型评估转移学习,并结合数据增强.
- 使用非残疾人 (ND) 和中风患者数据与旋转增强相比较的联合训练策略.
主要成果:
- 与ND和旋转增强中风数据的联合训练使Conv1D的F1得分提高到60.9% (相对于47.3%的基线).
- 使用ND数据实现转移学习的准确率为60.3%;使用InceptionTime进行联合培训的准确率为67.2%.
- 旋转增强证明对最初性能较低和参与者子集较小的数据最有效.
结论:
- 对旋转增强的ND和中风数据的联合培训在稀疏数据场景中提高了分类性能.
- 数据增强技术,特别是旋转增强,对于改善中风康复中的深度学习模型至关重要.
- 这些发现表明,在开发有效的人工智能驱动的康复工具方面,克服数据局限性的可行方法.
