一个集成的计算机视觉和力感应框架,用于使用人工神经网络进行自动化的Fugl-Meyer手动相关评估
概括
这项研究开发了一种计算机视觉和力感应系统,用于在中风后客观地进行Fugl-Meyer评估 (FMA) 评分. 该系统在中风患者数据上实现了85%的准确性,证明了健康受试者的有效转移学习.
科学领域:
- 生物医学工程 生物医学工程
- 康复技术 康复技术 康复技术
- 医疗保健中的人工智能
背景情况:
- 弗格-迈耶评估 (FMA) 对于评估中风后的运动功能至关重要,但受到主观评分的影响.
- 需要客观的测量工具来提高FMA评估的可靠性和一致性.
研究的目的:
- 开发和验证使用计算机视觉和力传感用于客观FMA评分的便携式系统.
- 预先训练人工神经网络 (ANN) 用健康受试者数据进行自动FMA评分,并评估其可转移到中风患者数据.
主要方法:
- 一个便携式的多摄像头和力感应系统被设计成捕捉手的位置,关节角度和握力.
- 来自执行FMA任务的健康受试者的数据被用于预训练八种不同的ANN架构.
- 在对中风患者的数据进行了测试,将其性能与临床治疗师的评估进行了比较.
主要成果:
- 最优的ANN模型在没有微调的情况下,在健康受试者数据上达到98%的准确性,在中风患者数据上达到85%的准确性.
- 基于自动编码器的特征提取和长短期记忆 (LSTM) 方法提高了准确性,并捕获了时间运动动态.
- 该研究证明了从健康受试者数据到中风患者数据的成功知识转移,减轻了数据收集的挑战.
结论:
- 开发的系统有效地捕捉了手的动作和握力,以实现客观的FMA得分.
- 使用健康受试者数据的预先训练有素的ANN模型可以有效地转移到临床中风患者数据.
- 这项研究为先进的转移学习策略提供了基础,以改进自动化中风运动功能评估.
