用于躺卧姿势检测的 biomechanical monitoring 与机器学习
医学物理
2020-10-09 v1
摘要
背景：压力映射技术已被改造用于长时间监测，以评估个体在长时间躺卧姿势下的压疮风险。然而，时间压力分布信号目前尚未被用于识别姿势或活动度。本研究旨在考察一种自动化方法检测一系列静态躺卧姿势及相应姿势间转换的潜力。方法：健康受试者（n = 19）采取一系列矢状与侧向躺卧姿势。反映支撑面交互与身体运动的参数被连续监测。随后，检查各信号的导数以识别姿势间转换。评估了三种机器学习算法，即朴素贝叶斯（Naïve-Bayes）、k近邻（k-Nearest Neighbors）与支持向量机（Support Vector Machine）分类器，以预测一系列静态姿势，使用训练模型（n = 9）建立并用测试数据的新输入（n = 10）验证。结果：结果显示导数信号提供了检测姿势间转换的手段，其中活动度测量提供了最显著的信号扰动。预测新测试数据一系列姿势的准确率在朴素贝叶斯、k近邻与支持向量机分类器下分别介于 82%--100%、70%--98% 与 69%--100%。解释：本研究表明，将机器学习算法与来自两个监测系统的鲁棒参数相结合，可实现对静态姿势及其相应转换的检测。该方法有潜力提供可靠的姿势与活动度指标，以支持个性化压疮预防策略。
引用
@article{arxiv.2010.03804,
title = {Biomechanical monitoring and machine learning for the detection of lying postures},
author = {Silvia Caggiari and Peter Worsley and Yohan Payan and Marek Bucki and Dan Bader},
journal= {arXiv preprint arXiv:2010.03804},
year = {2020}
}