远程运动康复:基于EMG-IMU的深度学习模型改善了手腕动力学的估计

科学领域:

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

背景情况:

• 运动康复技术在不受控制的家庭环境中面临着挑战.
• 强大的电肌图 (EMG) 和惯性测量单元 (IMU) 信号对于解码持续的人类行为至关重要.
• 传统模型与复杂的EMG-动力学关系和主体变异性作斗争.

研究的目的:

• 开发和评估用于连续解码手动的深度学习 (DL) 模型.
• 与经典方法相比,提高解码的准确性和通用性.
• 评估该模型在家庭运动康复方面的潜力.

主要方法:

• 获得了27名健康受试者的同步EMG-IMU数据,这些受试者进行了手腕曲/延伸.
• 开发了一种混合深度学习模型,将卷积神经网络和封闭循环单元结合起来.
• 实施了一个离开一个主体的交叉验证,以解决主体间的变化.

主要成果:

• DL模型在解码手腕动力学方面表现出卓越的性能.
• 与多项式回归器相比,实现了0.18的平均R平方增加.
• 拟议的模型在不同学科中提供了增强的概括性.

结论:

• 开发的DL模型有效地使用可穿戴EMG-IMU数据解码连续手动.
• 这种方法为运动康复提供了通用的解决方案,克服了古典方法的局限性.
• 这些发现支持开发用于运动康复的创新家庭远程医疗解决方案.