深度神经网络中的特征修剪用于步行速度预测:在没有特定领域知识的情况下评估性能
概括
深度神经网络中的特征修剪显著提高了使用电肌图数据的步态速度预测准确度. 这种方法降低了计算成本并提高了模型性能,使人工智能驱动的步态分析更容易获得临床应用.
科学领域:
- 生物医学工程 生物医学工程
- 医疗保健中的机器学习
- 神经肌肉功能分析分析
背景情况:
- 步行速度是移动性和神经肌肉健康的关键指标.
- 深度学习模型可以从电肌图 (EMG) 数据中预测步行速度.
- 深度学习中广泛的特征集可能会增加复杂性,而不会提高准确性.
研究的目的:
- 调查特征修剪对深度神经网络 (DNN) 模型对步行速度预测的影响.
- 仅使用频域肌肉激活特征来评估性能.
- 评估功能减少是否提高了准确性和效率,而无需对特定领域的功能进行选择.
主要方法:
- 在频域EMG特征上训练了一个深度神经网络 (DNN).
- 一种分组顺序的特征选择方法将540个特征减少到60个.
- 模型的性能是基于根平均平方误差 (RMSE) 和计算成本来评估的.
主要成果:
- 功能修剪将培训时间减少79%,计算成本减少81.4%.
- 修剪后的模型将RMSE的速度从0.793公里/小时提高到0.610公里/小时.
- 修剪后的DNN在所有步行速度上都胜过了全功能型号.
结论:
- 系统的特征减少提高了DNN模型的性能和通用性,用于步行速度预测.
- 功能修剪为AI驱动的步态分析在临床环境中提供了一种可行的方法.
- 这种方法有助于在可穿戴设备上部署预测模型,以进行持续监控.
