基于手势的身体稳定性分类和康复系统
Sherif Tolba1, Hazem Raafat2, A S Tolba3
1Independent Researcher, Franklin, MA 02038, USA.
Sensors (Basel, Switzerland)
|October 16, 2025
概括
本研究介绍了一种低成本的基于手势的身体稳定性分类和康复系统 (GPSCRS),使用手势来评估稳定性. 先进的机器学习模型取得了完美的成绩,显示了远程健康监测和防摔的潜力.
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:
- 评估身体稳定性对于预防跌倒和康复至关重要.
- 现有的方法可能是昂贵的,侵入性的,或缺乏实时定量反.
- 需要开发可访问的,非侵入性的工具,以持续监测稳定性.
研究的目的:
- 引入一种新的基于手势的身体稳定性分类和康复系统 (GPSCRS).
- 评估系统使用手势量化物理稳定性的能力.
- 为了比较各种机器学习模型的性能,用于稳定性分类.
主要方法:
- 使用Arduino微控制器和DFRobot手势和触摸传感器进行数据采集.
- 分析了"上"和"下"手势的时间模式,以计算物理稳定指数 (PSI).
- 评估了传统的机器学习 (XGBoost) 和深度学习模型 (变压器,CNN,KAN) 用于手势分类.
主要成果:
- 神经网络模型在稳定性分类中获得了完美的分数 (回忆,准确性,精度,F1分数).
- XGBoost在计算效率方面表现出强的性能.
- GPSCRS有效地检测到物理稳定的实时变化.
结论:
- GPSCRS提供了一种低成本,非侵入性的方法,用于定量物理稳定性评估.
- 该系统显示出远程健康监测,跌倒预防和个性化康复的巨大潜力.
- 开发的系统为早期风险识别和改善患者流动性提供了基础.
