相关实验视频
Updated: Jun 18, 2025
08:16
Movement Retraining using Real-time Feedback of Performance
Published on: January 17, 2013
13.4K
目标落风险评估使用无标记运动捕捉和表示机器学习
Sean Maudsley-Barton1, Moi Hoon Yap1
1Department of Computing and Mathematics, Manchester Metropolitan University, Manchester M15 6BH, UK.
Sensors (Basel, Switzerland)
|July 27, 2024
概括
布对老年人来说是一个很大的风险. 这项研究引入了一种新的计算机辅助方法,使用无标记运动捕捉和LSTM自编码器来准确评估跌倒风险,提供一个连续的尺度,以便更好地分层患者.
科学领域:
- 老年学是一门学科.
- 生物医学工程 生物医学工程
- 计算机科学 计算机科学
背景情况:
- 在全球范围内,布对65岁以上的人来说是一个关键的健康问题.
- 客观的跌倒风险评估在临床环境中未得到充分利用,常见的方法是时间密集的观察测试.
- 目前的跌倒风险评估通常依赖于五次坐立测试所需的时间等指标,这可能无法捕捉完整的运动动态.
研究的目的:
- 开发和评估计算机辅助诊断工具,用于客观地评估落风险.
- 利用无标记运动捕捉和先进建模,更深入地了解与跌倒风险相关的运动模式.
- 引入用于连续跌倒风险分层的新型评分系统.
主要方法:
- 利用无标记运动捕捉技术来跟踪骨关节的运动.
- 采用长期短期记忆 (LSTM) 自动编码模型,从移动数据中导出距离测量值.
- 开发了一种基于推导距离测量的新评分系统,用于持续下降风险评估.
- 在KINECAL数据集上对该方法进行了评估,该数据集包括90个个体执行11个临床运动的记录.
主要成果:
- 在识别有较高跌倒风险的个体时,获得了0.84的准确性.
- 开发的评分系统允许根据个体的跌倒风险在连续尺度上对个体进行排名.
- 证明了超越简单的基于时间的指标的更丰富的洞察力.
结论:
- 拟议的无标记运动捕捉和LSTM自编码器方法为老年人跌倒风险评估提供了准确和客观的方法.
- 新的连续评分系统提高了区分落风险水平的能力.
- 该方法在预防和康复中显示出临床应用的前景,与KINECAL数据集的目标保持一致.
