一个堆叠的CNN和随机森林合体架构,用于复杂的护理活动识别和护士识别

科学领域:

• * 计算机科学 计算机科学
• * 医疗保健技术 * 医疗保健技术
• * 人工智能 * 人工智能

背景情况:

• * 护理活动的认可对于智能医疗保健至关重要,但面临着诸如阶级不平衡和阶级内部变化等挑战.
• * 现有的方法难以根据主体和接受者进行活动的变化.
• *对护士行动和个别护士的准确认可对于有效的医疗保健管理至关重要.

研究的目的:

• * 开发一个强大的算法,同时进行护理活动和用户识别.
• * 克服阶级不平衡和人类活动识别中阶级内变化的局限性.
• *通过改进活动识别,提高智能医疗保健系统的准确性和可靠性.

主要方法:

• * 独特的两步特征提取工艺,包含"角度"和"平均最小最大总和"特征,以增强强性.
• * 集合模型结合了随机森林分类器和堆叠卷积神经网络 (S-CNN).
• * S-CNN 使用特征频道的单独输入路径,提高了对类内变化的稳定性.

主要成果:

• * 在活动识别方面取得了最高的测试准确率:70.6% (CARECOM) 和85.7% (Heiseikai).
• * 实现了最高的用户识别测试准确率:78.2% (数据集1) 和92.7% (数据集2).
• *算法在识别过程中自动识别数据集中的重要特征.

结论:

• * 拟议的方法在同时进行护理活动和用户识别方面表现出高准确性和稳定性.
• *这种方法显著提升了智能医疗管理系统的能力.
• * 算法的处理类内变化的能力为现实世界医疗保健应用提供了有前途的解决方案.