多层次的SPD多重学习用于康复练习评估评估
Zhonghai Bai1, Václav Snášel2, Crina Grosan3,4
1Faculty of Electrical Engineering and Computer Science, VSB - Technical University of Ostrava, Ostrava, 708 00, Czech Republic.
Scientific reports
|November 11, 2025
概括
这项研究引入了一种新的方法,使用对称正定数 (SPD) 模组来评估康复运动. 该方法提高了对正确和不正确运动的分类准确度,改善了患者康复监测.
科学领域:
- 生物医学工程 生物医学工程
- 计算机科学 计算机科学
- 数据科学数据科学数据科学
背景情况:
- 康复运动评估对于患者的康复至关重要,特别是在影响移动性的事件后.
- 传统的欧几里德方法在康复数据中难以捕捉复杂的运动变化和空间关系.
- 来自康复练习的骨架数据需要先进的分析技术来进行准确的评估.
研究的目的:
- 提出一种新的框架,用于利用对称正确定量 (SPD) 模组进行康复运动评估.
- 为了利用SPD组件的几何性质来保持人类内在的运动特征.
- 提高正确与不正确的康复运动分类的准确性和效率.
主要方法:
- 以骨架为基础的康复数据作为对称正定型 (SPD) 分散体上的点来表示.
- 整合无监督的K-最近邻居 (KNN) 与里曼的几何来进行运动分类.
- 开发一个通过随机梯度下降 (SGD) 优化的触点空间线性SPD支持向量机器 (SVM).
- 设计一个专门的神经网络,用于向量化SPD数据的多尺度特征提取.
主要成果:
- 拟议的SPD多重方法显著优于对基准数据集 (Kimore,UI-PRMD,EHE) 的现有方法.
- 获得了高的跨主题准确性:92.40% (UI-PRMD),85.18% (Kimore) 和87.59% (EHE).
- 与最先进的技术相比,证明了更快的培训融合和更少的计算开销.
结论:
- 对称正确定量 (SPD) 分组为准确和可靠的康复练习评估提供了强大的工具.
- 拟议的框架有效地捕捉了人类运动中的内在几何结构和非线性变化.
- 这种新的方法有可能显著提高患者康复监测和治疗指导.
