多层次活动识别算法,以提高康复监测系统的跨主体性能弹性

科学领域:

• 生物医学工程 生物医学工程
• 计算机科学 计算机科学

背景情况:

• 活动识别算法对于监控康复练习至关重要.
• 患者运动特征的变化给传统算法带来了挑战.
• 开发强大而有弹性的活动识别对于个性化医疗保健至关重要.

研究的目的:

• 引入多级特征学习,以增强活动识别.
• 提高追踪和量化康复练习的准确性.
• 尽量减少不同运动模式的受试者之间的表现差异.

主要方法:

• 开发了处理多道时间序列数据的先进架构.
• 利用两个平行分支用于不同尺度的特征提取.
• 测试了多尺度卷积神经网络 (tCNN,CNN-LSTM,ConvLSTM) 和变压器模型.

主要成果:

• 多尺度算法始终优于传统方法.
• 获得了高准确度:多尺度tCNN (91%),CNN-LSTM (90%),ConvLSTM (89%). 获得了高准确度:多尺度tCNN (91%),CNN-LSTM (90%),ConvLSTM (89%). 获得了高准确度:多尺度tCNN (91%),CNN-LSTM (90%),ConvLSTM (89%).
• 多尺度变压器模型表现出卓越的性能,平均准确率为93%.

结论:

• 像多尺度特征学习这样的先进方法对于医疗保健活动的识别至关重要.
• 准确的运动监测是有效的,个性化的远程医疗治疗的关键.
• 这项研究支持将复杂的算法集成到远程患者护理中.