加强中风幸存者的康复:使用加速计数据的深度学习方法来访问上肢运动

科学领域:

• 生物医学工程 生物医学工程
• 康复科学 康复科学 康复科学
• 医疗保健中的人工智能

背景情况:

• 上肢 (UE) 康复对于中风幸存者的独立性至关重要.
• 目前的评估方法缺乏客观性和现实世界的适用性.
• 准确的UE性能测量是有效康复所需的.

研究的目的:

• 将深度学习模型 (具有密集层的CNN) 应用于加速度计数据,以对中风幸存者的UE运动进行分类.
• 评估UE运动分类的内主体和主体间模型.
• 评估包括非性臂数据对分类准确性的影响.

主要方法:

• 使用手腕加速度计收集UE移动的原始数据.
• 开发的卷积神经网络 (CNN) 结合密集层来进行运动分类.
• 训练并测试了主体内和主体间的深度学习模型.

主要成果:

• 试验对象内部的模型实现了 0.90 ± 0.05 准确度的 paretic UE 运动.
• 跨主体模型的准确度达到0.79 ± 0.06,以非形手臂数据改进到0.88 ± 0.10.
• 深度学习方法消除了手动特征提取,超过了以前的方法.

结论:

• 使用加速度计的深度学习提供了一个客观的,具有成本效益的方法来监测中风后的UE功能.
• 这种方法提高了跟踪现实世界UE使用的能力.
• 研究结果支持个性化康复策略和改善中风幸存者的临床实践.