在现实环境中使用单个UWB雷达与AI驱动的特征融合和ML技术进行治疗性运动识别
Shahzad Hussain1, Hafeez Ur Rehman Siddiqui1, Adil Ali Saleem1
1Institute of Computer Science, Khwaja Fareed University of Engineering and Information Technology, Abu Dhabi Road, Rahim Yar Khan 64200, Punjab, Pakistan.
Sensors (Basel, Switzerland)
|September 14, 2024
概括
这项研究引入了用于物理治疗运动识别的超宽带 (UWB) 雷达,通过一种新的机器学习方法实现了99.45%的准确性. 这项技术为基于摄像头的远程康复系统提供了一种保护隐私的替代方案.
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:
- 物理治疗对于器官康复至关重要,往往需要持续监测.
- 人工智能增强了物理治疗,但基于摄像头的系统面临隐私和环境挑战.
- 像超宽带 (UWB) 雷达这样的非光学传感器提供了潜在的解决方案.
研究的目的:
- 评估单个UWB雷达系统的有效性,以识别上肢物理治疗练习.
- 开发和应用一种新的特征融合方法来进行运动识别.
- 评估各种机器学习模型的性能,用于UWB基于雷达的物理治疗监测.
主要方法:
- 利用单个UWB雷达传感器,从34名男性志愿者中获取数据,这些志愿者进行了五次上肢治疗练习.
- 开发了一种新的特征融合技术,以提取独特的运动特征.
- 应用并比较多个机器学习算法,包括EnsembleRRGraBoost方法.
主要成果:
- 在5个练习中,EnsembleRRGraBoost模型实现了99.45%的高识别精度.
- 功能融合有效地区分了不同的治疗运动.
- 五次交叉验证证实了开发的模型的稳定性和高精度.
结论:
- UWB雷达是用于非光学物理治疗运动识别的可行和高度准确的传感器.
- 拟议的功能融合和EnsembleRRGraBoost模型证明了人工智能驱动的远程康复的巨大潜力.
- 这种方法解决了物理治疗监测中的光学系统的隐私和环境限制.
