基于深度学习架构的功能性动作筛查动作自动评估
机器学习
2025-06-02 v2 人工智能
摘要
（1）背景：物理治疗的成功取决于规律且正确地执行动作练习。能够自动评估这些练习的系统可支持治疗。该领域以往的方法很少依赖深度学习方法，且尚未充分利用其潜力。（2）方法：使用由 17 个 IMU 组成的测量系统，记录了一个包含四项功能性动作筛查（FMS）练习的数据集。练习执行由物理治疗师依据 FMS 标准评估。该数据集用于训练一个神经网络，其为一次练习重复分配正确的 FMS 分数。我们采用了由 CNN、LSTM 和全连接（Dense）层组成的架构。基于此框架，我们应用多种方法来优化网络性能。在优化中，我们进行了广泛的超参数优化。此外，我们比较了专为 IMU 数据使用而特别调整的不同 CNN 结构。最后，所开发的网络用不同 FMS 练习的数据训练，并比较性能。（3）结果：评估显示，所提出的方法在已知受试者未知重复的归类上取得了令人信服的性能。然而，训练好的网络尚无法在先前未知受试者的数据上取得一致性能。此外可见，网络性能因其所训练针对的练习不同而有显著差异。
引用
@article{arxiv.2210.01209,
title = {Automatic Assessment of Functional Movement Screening Exercises with Deep Learning Architectures},
author = {Andreas Spilz and MIchael Munz},
journal= {arXiv preprint arXiv:2210.01209},
year = {2025}
}