基于压力分布分析的婴儿运动分类
信号处理
2025-02-21 v3 人工智能
机器学习
摘要
针对脑性瘫痪等神经运动障碍的客观早期检测，我们提出一种使用压力传感设备的创新非侵入式方法，以对婴儿全身运动（GMs）进行分类。在此，我们测试了利用压力数据区分“不安运动期”（即不安运动）与“前不安运动期”（即扭动运动）典型GM模式的可行性。受试者（N=45）取自典型发育婴儿队列。多模态传感器数据，包括来自具有1024个传感器的32x32网格压力传感垫的压力数据，在出生后4至16周每两周一次的连续七次实验室会话中前瞻性地为每名婴儿记录。作为概念验证，取自两个目标年龄段的1776段各5秒长的压力数据片段被用于运动分类。每段片段由人类评估者依据相应同步视频数据预标注为不安运动存在（FM+）或缺失（FM-）。测试了多种神经网络架构以区分FM+与FM-类别，包括支持向量机（SVM）、前馈网络（FFNs）、卷积神经网络（CNNs）和长短期记忆（LSTM）网络。CNN在FM+与FM-类别上取得最高平均分类准确率（81.4%）。比较其他面向自动化GMA的方法与压力传感方法的优劣，我们得出结论：压力传感方法在高效大规模运动数据采集与共享方面具有巨大潜力。这反过来将改进该方法，并可能证明其在评估婴儿神经运动功能的日常临床应用中具有可扩展性。
引用
@article{arxiv.2208.00884,
title = {Infant movement classification through pressure distribution analysis},
author = {Tomas Kulvicius and Dajie Zhang and Karin Nielsen-Saines and Sven Bölte and Marc Kraft and Christa Einspieler and Luise Poustka and Florentin Wörgötter and Peter B Marschik},
journal= {arXiv preprint arXiv:2208.00884},
year = {2025}
}