使用机器学习评估手臂运动识别的概括:从结构化到半结构化环境
Sahel Akbari1, Herwin L D Horemans2, Johannes B J Bussmann2
1Dept. Rehabilitation Medicine, Erasmus MC University Medical Center, The Netherlands; Dept. Cognitive Robotics, Faculty of Mechanical Engineering, Delft University of Technology, The Netherlands.
Computers in biology and medicine
|October 12, 2025
概括
用于手臂运动识别的机器学习模型显示了从实验室到家庭环境的强烈泛化. 这一进步支持在家中进行中风康复的有效可穿戴技术的开发.
科学领域:
- 生物医学工程 生物医学工程
- 康复技术 康复技术 康复技术
- 医疗保健中的机器学习
背景情况:
- 家庭康复对于中风幸存者的运动恢复和日常活动至关重要.
- 可穿戴技术和机器学习为先进的家庭手臂康复提供了潜力.
- 当前的机器学习模型往往缺乏在各种环境中进行测试,从而限制了现实世界的应用.
研究的目的:
- 评估机器学习模型用于手臂运动识别的概括能力.
- 在结构化 (实验室) 和半结构化 (厨房) 环境中比较模型性能.
- 评估传感器配置 (多个IMU与单个手腕IMU) 对概括性的影响.
主要方法:
- 研究了两个机器学习模型:随机森林和混合深度学习模型.
- 在结构化实验室环境中训练模型,并在半结构化厨房环境中进行测试.
- 使用四个手臂安装IMU与单个手腕安装IMU的性能比较.
主要成果:
- 这两种模型都表现出从实验室到厨房环境的良好概括性.
- 四个IMU配置的准确性高于单个手腕IMU.
- 随机森林模型显示,与混合模型相比,单手腕IMU的精度下降较小.
结论:
- 手臂运动识别算法在不同的环境中很好地泛化,即使使用最小的传感器.
- 这些发现支持可穿戴技术的潜力,用于在家进行实际的中风康复.
- 进一步的开发可以利用这些算法来获得更容易获得和更有效的远程康复解决方案.
