基于轻量级多通道1D-CNN模型的可穿戴传感器对中风患者的自动康复练习任务评估

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
• 医疗保健中的人工智能

背景情况:

• 卒中幸存者经常经历运动功能障碍,需要在家进行康复.
• 目前的家庭康复缺乏治疗师指导和关于运动质量的及时反.
• 在家庭环境中自动化的人类行动质量评估仍然是一个研究挑战.

研究的目的:

• 开发和评估一个低成本的人类康复运动评估 (HREA) 系统,用于上肢运动.
• 使用可穿戴传感器和多通道1D-CNN框架进行自动行动质量评估.
• 为接受家庭康复的中风幸存者提供实时反.

主要方法:

• 设计了一个HREA系统,使用可穿戴传感器收集上肢运动数据.
• 采用多通道1D-CNN框架进行自动化行动质量评估.
• 该模型在UCI-HAR数据集上进行了预训练,然后在基于Fugl-Meyer评估尺度的定制数据集上进行了微调.

主要成果:

• 预训练的1D-CNN模型在UCI-HAR数据集上实现了91.96%的性能.
• 多通道1D-CNN模型与内贝叶斯融合在定制数据集上表现出高性能 (精度:97.26%,回忆:97.22%,F1得分:97.23%).
• 该HREA系统证明能够准确及时评估康复练习.

结论:

• 开发的HREA系统为评估中风幸存者的家庭康复练习提供了准确和有效的解决方案.
• 该系统的实时反能力可以显著提高家庭物理协调改进的有效性.
• 这项技术有望改善患者的治疗结果和中风恢复的可用性.