加强中风后的活动识别:用于动态数据增强的生成对抗网络.

科学领域:

• 生物医学工程 生物医学工程
• 医疗保健中的机器学习
• 康复机器人 康复机器人

背景情况:

• 机器学习 (ML) 模型用于中风康复中的可穿戴监控,由于有限和异质数据,面临普遍性问题.
• 现有的数据增强技术往往产生不切实际的合成数据,阻碍了分类器的性能.
• 准确的患者监测对于有效的中风康复和干预量身定制至关重要.

研究的目的:

• 采用条件生成对抗网络 (cGANs) 来生成用于中风康复的现实的合成动力学数据.
• 增强用于可穿戴监控的ML模型培训数据集的可变性和规模.
• 通过结合合成数据来提高ML模型的任务分类准确性.

主要方法:

• 利用了可供公开使用的中风幸存者的数据集来实现运动.
• 使用条件生成对抗网络 (cGAN) 来生成模拟真实运动的合成动态数据.
• 在真实和合成数据集上训练深度学习模型,以评估分类准确性.

主要成果:

• 由cGANs生成的合成数据密切模仿了在中风幸存者中观察到的时间动态和运动模式.
• 用真实数据和合成数据训练的ML模型实现了总的准确率为80.0%.
• 仅在真实数据上训练的模型的准确度明显降低了66.1%,为66.1%.

结论:

• cGAN有效地产生现实的合成动力学数据,显著提高了ML模型在中风康复中的性能.
• 改进的任务分类准确度可以更精确地监测患者的进展.
• 这种方法为临床医生提供了更有效地定制康复干预的潜力.