通过在远程康复中使用多传感器数据融合来提高自动化下肢康复练习任务识别

科学领域:

• 生物医学工程 生物医学工程
• 计算机科学 计算机科学
• 康复医学 康复医学 康复医学

背景情况:

• 远程康复提供远程物理治疗服务,需要准确的患者运动评估.
• 活动识别对于自动远程康复至关重要,使临床医生能够监控进展并调整护理计划.
• 通过整合多种数据源来改善练习识别,可以增强当前的方法.

研究的目的:

• 引入一种新的深度学习方法来识别下肢康复练习.
• 调查集成深度数据和压力热图对模型性能的影响.
• 在远程康复环境中提高活动识别的准确性和可靠性.

主要方法:

• 利用了可访问的深度视频和30名健康个体的体压数据数据集,从30名健康个体中执行7项下肢炼.
• 基于3D-CNN架构开发了三种深度学习模型:一种用于深度数据,一种用于压力数据,一种用于融合数据.
• 评估模型性能使用单个主体排除和多个主体排除交叉验证,报告准确性,精度,回忆和F1评分.

主要成果:

• 与单一模式模型相比,整合深度和压力数据的模型表现出优越和稳定的性能.
• 实现了高分类性能,准确率为95.71%,精度为95.83%,回忆率为95.71%,F1得分为95.74%.
• 数据融合有效地捕捉了运动运动的各个方面,从而改善了分类结果.

结论:

• 数据融合对分类下肢康复练习的准确性产生重大影响.
• 开发的模型利用视觉和重量分布数据来全面表示运动模式.
• 这种方法显示出在自动远程康复平台中应用的巨大潜力,改善了患者监测和护理.