使用深度学习来检测中风后使用消费级网络摄像头的个人上肢补偿-一项可行性研究

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
• 计算机视觉 计算机视觉

背景情况:

• 脑卒中康复需要有效的上肢评估,最好是在家里进行.
• 计算机视觉和姿势估计为远程运动分析提供了潜力.
• 补偿运动在中风幸存者和冲击功能中很常见.

研究的目的:

• 调查基于网络摄像头的人体姿势估计和深度学习的使用,以自动检测中风幸存者的饮酒任务期间的补偿运动.
• 评估影响检测准确性的因素,包括数据表示和模型架构.
• 评估个性化家庭康复工具的潜力.

主要方法:

• 患有中风的20名参与者执行了一项饮酒任务,通过多个摄像头和光学运动捕捉 (OMC) 记录.
• 治疗师标记了补偿运动;使用MediaPipe提取了人类姿势.
• 深度学习模型经过训练,使用原始关键点和自定义功能来预测补偿运动.

主要成果:

• 人际补偿检测准确度达到70%的定制功能,但概括是有限的.
• 人体内分类的准确度超过了90%.
• OMC数据显著提高了准确性;CNN的表现优于LSTM. 限制包括构成估计的不确定性和数据的变化.

结论:

• 深度学习可以通过准确的表示来区分补偿和非补偿运动.
• 使用消费者摄像头的个性化模型显示了支持家庭中风康复的潜力.
• 需要进一步改进姿势估计和数据集多样性,以实现可靠的概括.