基于多个IMU的自动深度学习评估在静态站立平衡训练练习期间的强度.
Safa Jabri1, Jeremiah Hauth1, Christopher DiCesare1
1University of Michigan-Ann Arbor, Ann Arbor, USA.
Journal of neuroengineering and rehabilitation
|November 28, 2025
概括
可穿戴式传感器和机器学习模型可以准确估计平衡炼强度. 这项技术通过监测训练剂量来支持有效的家庭康复.
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
- 机器学习 机器学习
背景情况:
- 有效的平衡康复需要个性化的运动强度.
- 目前由物理治疗师 (PT) 进行的临床评估限制了远程监测.
- 开发基于家庭的监测工具对于逐步康复至关重要.
研究的目的:
- 训练和评估机器学习模型来估计平衡炼强度.
- 利用全身可穿戴传感器的数据进行强度评估.
- 支持在家进行运动剂量监测的发展.
主要方法:
- 从47名参与者收集了动力学数据,使用了13个全身惯性测量单位 (IMU).
- 招募了42名PTs来评估视频中的平衡强度作为地面真相.
- 训练有素的卷积神经网络 (CNN) 来从IMU数据预测强度.
主要成果:
- 使用所有13个IMU的CNN模型实现了0.66的根平均平方误差 (RMSE),低于典型的PT间变率 (RMSE 0.74).
- 模型性能通过四个传感器稳定,最佳放置在大腿和背部.
- 灵敏度分析证实传感器的位置影响了预测准确度.
结论:
- 可以使用可穿戴传感器和CNN模型准确评估平衡强度.
- 这种方法可以提高家庭平衡康复的监督和有效性.
- 允许客观监控以获得个性化的运动处方.


