穿戴式近红外光谱仪器的先进设计和分类,使用时间通道重新配置多图形卷积神经网络进行运动活动
V Akila1, A Shirly Edward1, J Anita Christaline2
1Department of Electronics and Communication Engineering, SRM Institute of Science and Technology, Vadapalani, India.
概括
这项研究引入了一种新的可穿戴近红外光谱仪 (WNISD),使用时空通道重新配置多图形卷积神经网络 (TRMCNN) 进行准确的运动活动分类. 在分类血红蛋白氧化水平方面,WNISD-TRMCNN方法显著优于现有的技术.
科学领域:
- 生物医学工程 生物医学工程
- 神经科学是一个神经科学.
- 机器学习 机器学习
背景情况:
- 可穿戴近红外光谱 (NIRS) 对于非侵入性大脑监测至关重要.
- 精确的血液动力学反应 (HbO和HbR) 的分类对于理解运动活动至关重要.
- 现有的方法面临着运动工件和分类准确性的挑战.
研究的目的:
- 为可穿戴NIRS设备 (WNISD) 提出一个先进的设计.
- 开发一种使用时间通道重新配置多图形卷积神经网络 (TRMCNN) 的新型分类方法.
- 在运动活动期间提高氧化血红蛋白 (HbO) 和脱氧化血红蛋白 (HbR) 的分类准确性.
主要方法:
- 实时 fNIRS 数据收集.
- 预处理使用事件触发的共识卡尔曼过 (ETCKF) 来减轻运动工件.
- 使用TRMCNN对HbO和HbR的分类,优化了Young的双实验优化算法 (YDSEOA).
主要成果:
- 拟议的WNISD-TRMCNN方法显示出卓越的性能.
- 在分类HbO和HbR时,获得了高准确度,精度和AUC.
- 该方法显示,与现有技术相比,处理时间有所改善.
结论:
- WNISD-TRMCNN为基于NIRS的可穿戴式运动活动分析提供了强大而准确的解决方案.
- ETCKF有效地删除了运动文物,提高了数据质量.
- YDSEOA优化进一步提高了TRMCNN模型的分类性能.
