使用基于机器学习的算法监测康复中的身体行为,用于大腿安装的加速度计:开发和验证研究

科学领域:

• 生物医学工程 生物医学工程
• 可穿戴技术可穿戴技术
• 机器学习用于健康

背景情况:

• 身体活动监测对健康结果至关重要.
• 加速度计是跟踪身体行为的关键工具.
• 多传感器系统提供了详细的洞察力,但面临着合规挑战.

研究的目的:

• 开发和验证用于分类日常物理行为的机器学习算法.
• 使用单个安装在大腿上的加速度计来简化数据收集.
• 在研究和临床环境中提高物理行为识别的准确性.

主要方法:

• 训练一个随机的森林模型与11个行为类 (坐着,躺着,站着,走路,跑步,骑自行车,爬楼梯,轮椅行走,驾驶车辆,过渡).
• 使用模拟的自由生活条件与胸部安装的摄像头验证算法.
• 将算法的性能与基于矢量值的方法进行比较.

主要成果:

• 该算法在11个不同的物理行为中获得了平均57%的F测量.
• 当行为被合并到更广泛的类别 (不运动,站立,走路,跑步,骑自行车) 时,表现显著改善.
• 这种精细的算法与地面真相和现有方法相比,表现出了很高的性能.

结论:

• 一个单一的大腿穿戴加速度计可以有效地分类特定的身体行为.
• 对于高功能人群中常见的行为,观察到高分类准确度.
• 未来的研究应该专注于对具有较低功能能力的个体的行为进行分类.