在医疗保健应用中对睡眠姿势分类的比较加速仪和基于CNN的视觉系统

科学领域:

• 生物医学工程 生物医学工程
• 医疗保健中的机器学习
• 可穿戴式传感器技术

背景情况:

• 睡眠位置监测对于诊断睡眠呼吸暂停和压力等疾病至关重要.
• 准确的身体姿势数据有助于临床洞察力和智能医疗保健系统的开发.
• 现有方法需要进行比较,以获得最佳的临床应用.

研究的目的:

• 用基于图像的深度学习和基于加速度计的分类来比较分析睡眠位置识别.
• 评估视觉几何组16 (VGG16) 和feedforward神经网络用于睡眠姿势检测的性能.
• 确定临床和家庭医疗监测的最准确和最稳健的方法.

主要方法:

• 基于图像的识别使用了微调的VGG16卷积神经网络与数据增强 (旋转,反射,缩放,翻译).
• 基于加速度计的分类采用了在提取特征 (信号总和,标准偏差,最大值,峰值计数) 上训练的前神经网络.
• 两种方法都分类了五种位置:俯卧,仰卧,右侧,左侧和起床.

主要成果:

• 基于图像的VGG16模型实现了93.49%的准确性,对"右侧"和"唤醒"具有完美的精度/回忆.
• 基于加速度计的方法在大多数位置都超过了99.8%的准确性,证明了卓越的性能.
• 由于缺乏生理运动信号",觉醒"检测非常准确.

结论:

• 与基于图像的深度学习相比,基于加速器的分类提供了更高的精度和稳定性,用于识别睡眠位置.
• 加速度计方法特别适用于实时和对隐私敏感的医疗监控应用程序.
• 结果为在临床,家庭或嵌入式系统中选择合适的睡眠监测技术提供了见解.