用于肩膀康复的机器学习模型使用可穿戴系统进行分类

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:

• 肩部康复对于旋转手套撕裂的患者至关重要.
• 准确的运动分类对于有效的康复和监测至关重要.
• 目前的方法可能缺乏客观的实时反.

研究的目的:

• 训练和评估机器学习模型,用于自动分类肩部康复练习.
• 评估使用可穿戴传感器用于此任务的可行性.

主要方法:

• 训练了6个受监督的机器学习模型 (包括随机森林),使用磁性惯性传感器的数据.
• 利用了来自19名健康受试者和17名旋转部撕裂患者的数据,他们进行了6项特定的练习.
• 使用嵌套交叉验证评估分类性能.

主要成果:

• 随机森林分类器实现了最高的性能,准确率为89.91%,F1得分为89.89%.
• 在区分不同肩膀康复练习方面表现出高度准确性.

结论:

• 可穿戴传感器与机器学习相结合,有效地分类肩部康复练习.
• 该系统显示出远程,家庭监控的前景,减少了患者的负担.
• 拟议的系统是可行的,有效的,并为患者驱动的传感器放置用户友好.