人类运动数据扩展来自随意的稀疏传感器与浅反复解码器
Megan R Ebers1, Mackenzie Pitts2, J Nathan Kutz3
1Department of Applied Mathematics, University of Washington, Seattle, WA 98195.
bioRxiv : the preprint server for biology
|June 19, 2024
概括
深度学习从最小的传感器重建了全身运动. 这项技术提高了数字生物标志物的准确性,用于在现实环境中跟踪健康和绩效.
科学领域:
- 生物医学工程 生物医学工程
- 机器学习 机器学习
- 人类运动分析分析
背景情况:
- 深度学习和稀疏感应正在推进人类运动监测.
- 目前的方法通常需要广泛的传感器设置来获得全面的数据.
- 推断不受监控的身体部位运动对于准确的健康和绩效评估至关重要.
研究的目的:
- 开发一种深度学习架构,将稀疏的人类运动数据扩展到密集的配置.
- 使用有限的传感器输入推断不受监控的身体部分的运动.
- 提高数字生物标志物估计的准确性和可用性.
主要方法:
- 开发了一个浅层循环解码器网络架构.
- 该模型将稀疏的传感器数据映射到密集的配置,利用传感器时间历史记录.
- 该架构应用于各种数据集,包括受控任务,步态分析和自由移动的环境.
主要成果:
- 从仅仅一个传感器中重建全面的时间序列测量.
- 成功应用到特定主体和基于群体的运动模型.
- 证明了改善数字生物标志物估计的潜力.
结论:
- 开发的深度学习架构有效地将稀疏运动数据扩展到密集的配置.
- 这种方法提高了数字生物标志物的准确性和可访问性,用于各种应用.
- 这项技术对临床试验,机器人技术和人类性能优化有重大影响.
更多相关视频
11:25Simultaneous Scalp Electroencephalography EEG, Electromyography EMG, and Whole-body Segmental Inertial Recording for Multi-modal Neural Decoding
Published on: July 26, 2013
43.3K
09:41Estimation of Contact Regions Between Hands and Objects During Human Multi-Digit Grasping
Published on: April 21, 2023
1.6K
