用于卒中康复的运动基元实用分类
机器学习
2021-12-24 v3 机器学习
摘要
康复训练是改善卒中后运动恢复的主要干预手段，但目前尚不存在测量功能性训练的工具。为弥补这一差距，我们先前开发了一种利用可穿戴传感器和机器学习（ML）算法对功能性运动基元进行分类的方法。我们发现该方法具有令人鼓舞的分类性能，但存在计算与实际限制，如训练时间、传感器成本和磁漂移。在此，我们试图改进该方法，并确定最大化计算与实际性能所需的算法、传感器配置和数据需求。运动数据先前已通过6名卒中患者在目标阵列上移动物体时佩戴11个惯性测量单元（IMU）采集。为确定最优ML性能，我们评估了活动识别中常用的4种算法（线性判别分析（LDA）、朴素贝叶斯、支持向量机和k近邻）。我们比较了它们的分类准确率、计算复杂度和调参需求。为确定最优传感器配置，我们逐步减少传感器采样并比较分类准确率。为确定最优数据需求，我们比较了使用IMU与加速度计数据的准确率。我们发现LDA在所测算法中分类准确率最高（92%）。它 also最为实用，具有较短的训练与测试时间以及适度的调参需求。我们发现患侧手臂和背部放置7个传感器可获得最佳准确率。使用该阵列时，加速度计准确率较低（84%）。我们改进了准确且实用地量化卒中患者功能性运动基元的策略。我们提出，这种优化后的ML-传感器方法可作为量化卒中后训练剂量的手段。
引用
@article{arxiv.1902.08697,
title = {Pragmatic classification of movement primitives for stroke rehabilitation},
author = {Avinash Parnandi and Jasim Uddin and Dawn M. Nilsen and Heidi Schambra},
journal= {arXiv preprint arXiv:1902.08697},
year = {2021}
}