一个具有可解释的挤压和激发的深度学习模型,用于自动化康复练习评估
Md Johir Raihan1, Md Atiqur Rahman Ahad2, Abdullah-Al Nahid3
1Electronics and Communication Engineering Discipline, Khulna University, Khulna, 9208, Bangladesh.
Medical & biological engineering & computing
|May 6, 2025
概括
本研究引入了用于自动化康复运动评估的深度学习模型,为传统疗法提供了具有成本效益和效率的替代方案. 该CNN-SE模型准确评估运动功能障碍的恢复,帮助患有神经疾病的患者.
科学领域:
- * 生物医学工程 * 生物医学工程
- * 医疗保健中的人工智能
- * 康复科学 康复科学
背景情况:
- * 由于神经疾病 (中风,帕金森病) 的运动功能障碍,需要进行康复炼.
- *传统疗法需要不断的治疗师监测,导致高成本和短缺.
- * 需要自动化评估工具来提高康复的可访问性和效率.
研究的目的:
- * 开发和评估用于自动化康复练习评估的深度学习模型.
- *使用灰狼优化算法优化模型的性能.
- * 用Shapley增量解释 (SHAP) 来解释模型的决策过程.
主要方法:
- * 实现一个卷积神经网络与挤压刺激 (CNN-SE) 块.
- *使用灰狼优化算法进行参数优化.
- *使用KIMORE和UI-PRMD数据集对健康和运动受损的参与者进行验证.
主要成果:
- *CNN-SE模型在KIMORE数据集上实现了0.127的最先进的平均绝对偏差 (MAD).
- * 在UI-PRMD数据集上,MAD值为0.014的性能可比.
- * SHAP分析提供了对模型可解释性的特征重要性的见解.
结论:
- *开发的CNN-SE模型为康复运动评估提供了一个有希望的自动化解决方案.
- * 这项技术可以提高物理治疗的效率和成本效益.
- *自动化评估可以改善患者的治疗结果和治疗师的资源分配.
更多相关视频
08:58Use of a Foot-Induced Digitally Controlled Resistance Device for Functional Magnetic Resonance Imaging Evaluation in Patients with Foot Paresis
Published on: July 7, 2023
229
04:49Author Spotlight: Enhancing Post-Stroke Upper Limb Rehabilitation with Robotic Technologies for Improved Motor Recovery and Functional Outcomes
Published on: September 6, 2024
569
