通过数据手套在三种手臂姿势中进行跨主体指动识别的比较学习
概括
这项研究介绍了CLAPISA,这是一个新的AI框架,用于在物理治疗中识别手动. 它在不同用户之间实现了高精度,提高了远程康复的有效性.
科学领域:
- 康复工程 康复工程
- 机器学习 机器学习
- 人与计算机的交互
背景情况:
- 有效的家庭康复需要可靠地识别治疗手和手指的动作.
- 患者的变化 (手的尺寸,灵活性,速度) 阻碍了数据手套模型的概括.
- 目前的模型在与主体间的差异作斗争,限制了无监督治疗.
研究的目的:
- 开发一个主体不变的框架,用于在康复中跨主体的手势识别.
- 为了提高手动识别用于远程物理治疗的准确性和可靠性.
- 为了解决手势数据的跨主体变异性.
主要方法:
- 在CNN-LSTM管道中使用语网络的对比学习框架 (CLAPISA).
- 使用1:2正负配对策略进行训练,优化利率为1.0.
- 利用20名年轻成年人的曲传感器数据集进行评估.
主要成果:
- 使用离开一个主体的交叉验证,CLAPISA实现了96.71%的平均准确性.
- 在跨主体手势识别方面表现优于五个基线模型.
- 在具有挑战性的科目中,错误率降低了高达12.3%.
结论:
- 克拉皮萨展示了有效的主体不变的手势识别,用于康复.
- 该框架有望在不同人群中应用,包括老年人和神经障碍者.
- 进一步的研究将专注于对这些特定群体验证CLAPISA.
