人体姿势估计在物理疗法健身炼校正使用新型转移学习方法
Aisha Naseer1, Ali Raza2, Hadeeqa Afzal1
1Institute of Information Technology, Khwaja Fareed University of Engineering & Information Technology, Rahim Yar Khan, Pakistan.
PeerJ. Computer science
|June 26, 2025
概括
一种新的随机森林长短期记忆 (RFL) 方法使用可穿戴传感器数据准确地分类物理治疗练习. 这种方法增强了康复监测,并提供远程指导,改善了患者的治疗结果.
科学领域:
- 生物医学工程 生物医学工程
- 机器学习 机器学习
- 康复科学 康复科学 康复科学
背景情况:
- 物理治疗需要对患者的炼进行精确的监测,以获得有效的康复.
- 目前的方法可能缺乏准确性和可访问性,导致结果不理想.
- 可穿戴式传感器技术为客观的运动评估提供了一个有希望的途径.
研究的目的:
- 开发和评估一种高效的神经网络方法,用于在物理治疗期间对人体姿势进行估计和纠正.
- 利用可穿戴传感器数据来准确分类物理治疗练习.
- 通过先进的机器学习技术,加强康复监测.
主要方法:
- 从可穿戴惯性和磁性传感器中利用了一大数据集 (276,625条记录).
- 实施了一种新的随机森林长短期记忆 (RFL) 方法,整合了长短期记忆和随机森林.
- 从智能手机传感器数据生成新的时间和概率特征,用于机器学习分类.
主要成果:
- 在物理治疗练习的分类中,RFL方法实现了99%的准确性.
- 严格的实验,包括k-fold验证和超参数优化,证实了该方法的有效性.
- 在RFL内部的随机森林组件表现出卓越的性能.
结论:
- RFL方法提供了一种新的特征生成方法,可以显著提高运动分类准确性.
- 这种整合增强了康复监测,并支持智能物理治疗辅助系统.
- 该技术为频繁的诊所访问提供了一个可行的替代方案,减轻了残疾或重大疾病患者的风险.
