多传感器可穿戴设备,具有变压器驱动的双流融合模型,用于实时腿部炼监控

科学领域:

• 生物医学工程 生物医学工程
• 可穿戴技术可穿戴技术
• 机器学习 机器学习

背景情况:

• 腿部炼监测提供了对身体和神经健康的洞察力,但在单个传感模式下面临着局限性.
• 目前用于基于传感器的手势识别的深度学习 (DL) 方法在有效的特征提取方面存在困难.
• 现有的技术受到尺寸,环境敏感性和准确性问题的限制.

研究的目的:

• 开发一种多式可穿戴设备,用于监测腿部炼,并进行实时步态分析.
• 引入一种新的变压器驱动的双流融合 (TTSF) 模型,用于高效的时间和空间特征提取.
• 解决当前传感技术和DL方法在步态分析中的局限性.

主要方法:

• 开发一个多模式的可穿戴设备,与传感器集成,用于全面收集腿部数据.
• 实现一种新的变压器驱动的双流融合 (TTSF) 模型,用于先进的特征提取.
• 使用专门的腿部炼数据集进行实验验证,以评估模型性能.

主要成果:

• 拟议的TTSF模型实现了高性能指标:90.7%的精度,90.6%的回忆和89.1%的F1-Score.
• 与现有方法相比,在提取时间和空间特征方面表现出更高的准确性和效率.
• 通过多模式可穿戴设备成功启用实时步态分析功能.

结论:

• 多模式可穿戴设备和TTSF模型代表了步态监测和分析的重大进步.
• 这项研究强调了多传感器融合,DL和医疗物联网 (MIoT) 的潜力,以改善医疗保健应用.
• 开发的技术在个性化培训计划和增强的康复评估中提供了有前途的应用.