使用卷积神经网络量化日常生活活动中的手指握握:试点研究
Manuela Paulina Trejo Ramírez1, Callum John Thornton1,2, Neil Darren Evans1
1School of Engineering University of Warwick Coventry United Kingdom of Great Britain and Northern Ireland.
Healthcare technology letters
|October 3, 2024
概括
这项研究使用卷积神经网络 (CNN) 量化了日常活动中的手指握握. 结果显示,个体手指在灵巧任务中的自主性,有助于假肢设计和康复.
科学领域:
- 生物力学 生物力学
- 机器人技术 机器人技术 机器人技术
- 人与计算机的交互
背景情况:
- 量化手指动力学对于理解手的功能,设计假肢和评估康复至关重要.
- 现有的方法可能无法完全捕捉日常生活活动 (ADL) 期间掌握变化的细微差别.
研究的目的:
- 通过对指动态数据训练卷积神经网络 (CNN) 来量化ADL中使用的抓取.
- 在对象操纵过程中分析特定手指跨越单个手指的频率和自主性.
主要方法:
- 一个单独的参与者用各种物体进行了标准化的抓取.
- 卷积神经网络 (CNN) 用动力学数据对四个手指中的每一个手指进行了单独训练.
- 训练有素的CNN被用来识别和量化记录的ADL任务期间的掌握.
主要成果:
- 在ADL期间,CNNs成功地识别和量化了掌握.
- 分析显示,某些特定的手指更频繁地抓住某些特定的手指,这表明手指有一定的自主性.
- 确定了与先前研究一致的频繁掌握,但也突出了基于职业和年龄的个体差异.
结论:
- 开发的方法准确地量化了ADL期间的指掌握.
- 这些发现支持了个性化的假肢设备设计和定制的康复策略的潜力.
- 了解个体的掌握模式可以为日常任务提供更实用,更有效的假肢解决方案.
