深度学习模型合可穿戴生物电气和机械传感器,用于精细的肌肉力量评估
Chengyu Li1,2, Tingyu Wang1,2, Siyu Zhou3,4,5
1Beijing Institute of Nanoenergy and Nanosystems, Chinese Academy of Sciences, Beijing 101400, China.
Research (Washington, D.C.)
|May 24, 2024
概括
本研究介绍了一种可穿戴设备和一个深度学习模型 (Tcnformer),用于精确的肌肉力量 (MS) 评估. 该系统将MS评估改进到25个级别,改善临床诊断和康复.
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:
- 肌肉力量 (MS) 评估对于临床诊断和康复至关重要.
- 目前用于MS评估的可穿戴技术在准确性和数据分析方面面临挑战.
- 需要先进的方法来精确量化肌肉力量和跟踪恢复.
研究的目的:
- 开发一种用于同步获取肌电和机械信号的新型可穿戴设备.
- 实施一个深度学习模型 (Tcnformer) 进行准确的肌肉力量分级和预测.
- 通过使用深度集群进行更细致的分类来完善肌肉力量评估.
主要方法:
- 开发了一种集肌电和应变传感器的可穿戴设备.
- 表面电肌图和机械信号在肌肉活动期间同步获得.
- 一个深度学习模型,Tcnformer (时间卷积网络+变压器),用于信号分析.
- 使用深度集群 (Tcnformer深度集群 - TDC) 来实现25级肌肉力量分类.
主要成果:
- Tcnformer模型实现了肌肉力量的准确分级和预测.
- 在TDC方法精细的肌肉力量评估从5到25级.
- 验证表明,该系统能够跟踪术后恢复,在几天内从3.2级增加到3.6级.
结论:
- 拟议的可穿戴系统和Tcnformer深度学习模型提供了精确的肌肉力量评估方法.
- 这种先进的系统有可能显著改善临床诊断和康复结果.
- 与传统方法相比,25级分类提供了更精细的肌肉力量评估.
