基于MMG的运动细分和识别上肢康复使用YOLOv5s-SE的上肢康复

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
• 信号处理 信号处理

背景情况:

• 机械肌图 (MMG) 是一种敏感的,非侵入性的工具,用于评估肌肉活动和康复应用.
• 传统的MMG运动识别在实时细分和准确性方面面临挑战,因为它依赖特征提取和分类器训练.
• 现有的方法难以对连续操作进行细分,从而限制了实时性能.

研究的目的:

• 开发一种使用MMG信号实时细分和分类上肢康复行动的创新方法.
• 通过将You Only Look Once (YOLO) 算法与Squeeze-and-Excitation (SE) 注意力机制集成来增强MMG的运动识别.
• 克服传统MMG分析的局限性,例如手动参数调整和细分不准确性.

主要方法:

• MMG信号被转换成一维时间序列图像进行处理.
• 包含SE注意力机制的YOLOv5s-SE模型在处理的MMG数据上进行了训练和测试.
• 该研究涉及将数据集分为用于模型评估的培训和测试集.

主要成果:

• YOLOv5s-SE模型在分段MMG运动中实现了高精度 (98.7%) 和回忆 (98.3%),超过了基础YOLOv5s模型.
• 该模型在预测运动类别方面表现出极高的准确性 (98.9%).
• 拟议的方法有效地实时细分了孤立和连续的MMG运动.

结论:

• 开发的YOLOv5s-SE模型为自动,实时的MMG运动细分和分类在上肢康复中提供了有效的解决方案.
• 这种方法消除了手动参数调整的需要,与传统方法相比提高了效率和准确性.
• 图像处理和注意力机制的整合为MMG运动分析提供了更好的实时性能,特别是对于可穿戴设备.