用可穿戴惯性传感器识别成年人的日常活动:深度学习方法研究研究

科学领域:

• 生物医学工程 生物医学工程
• 人工智能的人工智能
• 人类运动分析 人类运动分析

背景情况:

• 日常生活活动 (ADL) 对于独立和生活质量至关重要.
• 传统的ADL评估缺乏准确性和客观性.
• 损害ADL表现会对自主性和幸福感产生负面影响.

研究的目的:

• 用可穿戴惯性传感器和人工智能客观地评估人类在ADL中的表现.
• 克服传统的主观ADL评估方法的局限性.
• 为早期功能障碍检测和个性化康复提供一个工具.

主要方法:

• 开发了带有加速度计和陀螺仪的可穿戴惯性传感器.
• 创建了52600个肩膀和背部运动记录的数据库.
• 训练了4个深度学习模型用于ADL识别.

主要成果:

• 深度学习模型实现了95-97%的准确性,精度,回忆和F1分数.
• 模型显示了精度和回忆之间的良好平衡.
• 双向模型显示略有优异的结果和更快的趋同.

结论:

• 深度学习模型有效地识别和分类日常活动的非侵入性.
• 最少的传感器可确保用户的舒适性,保证数据的坚持性和可靠性.
• 这项技术为临床评估和运动限制的康复提供了重大进展.