上肢运动基于LSTM模型在水上康复中的分类

科学领域:

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

背景情况:

• 水中康复提供治疗效益,但缺乏精确,客观的运动分析工具.
• 表面电肌图 (sEMG) 提供了宝贵的肌肉活动数据.
• 开发准确的sEMG分类模型对于提高康复结果至关重要.

研究的目的:

• 通过使用长短期记忆 (LSTM) 网络进行活动分类来改善水生动物的康复.
• 为了确定活动分类的sEMG信号的最佳时间和频域特征.
• 确定LSTM模型的理想学习率,并评估其在陆地和水域环境中的学科特定准确性.

主要方法:

• 十个健康的雄性在陆地和水域环境中进行双肢卷曲和三肢回.
• 为了特征提取,收集了表面电肌图 (sEMG) 数据.
• 一个长期短期记忆 (LSTM) 网络使用相关性分析和0.001.00的学习率进行训练和优化.

主要成果:

• LSTM网络以0.001的学习率实现了最佳性能,在两个环境中产生了高灵敏度,特异性,精度和准确性.
• 该模型在分类双脚 (90.21%93.65%在陆地,90.1%在水中) 和三脚 (88.56%92.69%) 中表现出了令人称赞的准确性.
• 展示了特定对象的准确性,表明了模型适应个体运动模式的适应性.

结论:

• 优化的LSTM模型准确地对陆地和水域环境中的上肢肌肉运动进行了分类.
• 这项技术在开发个性化和高效的水生环境康复计划方面具有重大潜力.
• 这些发现支持使用LSTM网络作为临床医生在评估和指导患者康复的有价值工具.