通过EEG和运动数据的传感器融合,实时检测姿势障碍,使用机器学习

科学领域:

• 生物医学工程 生物医学工程
• 神经科学是一个神经科学.
• 公共卫生 公共卫生

背景情况:

• 布是全球主要的健康问题,需要改进实时检测方法.
• 当前的摔倒检测系统往往缺乏准确性和及时的警报.
• 检测大脑对姿势变化的反应是先进跌倒预测的关键.

研究的目的:

• 开发一种使用电脑电图 (EEG) 数据的准确和高效的摔倒检测系统.
• 分析EEG信号以识别对姿势障碍的反应.
• 将新的状态空间方法与传统的自回归 (AR) 和香农 (SE) 技术进行比较.

主要方法:

• 使用基于状态空间的系统识别方法进行EEG特征提取.
• 使用EEG时代的性能比较,从事件发生后80毫秒开始,而不是从发病开始.
• 开发了一个实时算法,集成EEG和加速度计数据.

主要成果:

• 状态空间方法在检测对姿势扰动的反应方面表现得更好.
• 基于EEG的分类实现了高灵敏度 (90.9%),特异性 (97.3%) 和准确性 (95.2%).
• 集成实时系统检测到跌落的时间不到400ms,对意外跌落的准确度超过99%.

结论:

• 脑电图数据,特别是用先进的方法分析时,显示出用于落检测的巨大潜力.
• 将EEG与加速度计数据相结合,可以提高实时落检测的准确性和速度.
• 这项技术可以改善风险人群 (包括老年人) 的安全和生活质量.