通过使用原型网络的一次性转移学习实现中风后手势识别.
Hussein Sarwat1, Amr Alkhashab2, Xinyu Song1
1School of Mechanical Engineering, Shanghai Jiao Tong University, Dongchuan Road, Shanghai, 200240, China.
Journal of neuroengineering and rehabilitation
|June 12, 2024
概括
这项研究引入了中风幸存者康复的先进模型,达到82.2%的手势识别准确度. 这改进了现有的方法,使得更可靠的家庭治疗系统成为可能.
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:
- 在家康复为中风幸存者提供了传统治疗的有希望的替代方案.
- 由于生理差异和传感器位移挑战分类器性能,特别是对于中风患者,可穿戴式传感器的不准确性.
- 开发可靠的家庭系统来准确地分类手势仍然是一个重大障碍.
研究的目的:
- 开发和评估一种改进的机器学习模型,用于使用可穿戴传感器在中风幸存者中准确识别手势.
- 在开发主体独立分类器时,应对生理变异性和传感器位移的挑战.
- 提高家庭康复系统的准确性和可靠性,以便在中风后恢复.
主要方法:
- 20名中风幸存者在佩戴EMG,FMG和IMU传感器时执行了7种不同的手势.
- 开发了一种新型模型,结合原型网络进行一次性转移学习,K-Best功能选择和增加窗口大小.
- 拟议模型的性能与传统的转移学习和各种主体依赖/独立分类器 (神经网络,LGBM,LDA,SVM) 相比进行了基准测试.
主要成果:
- 拟议的模型实现了82.2%的手势分类准确度,明显优于传统方法 (例如,用神经网络进行一次性转移学习的63.17%).
- 性能与主体依赖分类器相当,超过其他主体独立模型.
- 在6个分类器中,K-Best功能选择在3个分类器中提高了准确性,同时增加窗口大小在所有分类器中平均提高了4.28%的准确性.
结论:
- 与现有的方法相比,开发的模型显示了中风幸存者的手势识别显著改进.
- 功能选择和窗口大小优化进一步提高了分类准确性.
- 这种方法有可能创建强大的,独立于主体的可穿戴传感器模型,减轻生理差异并改善中风康复结果.
