基于深度学习的下肢运动阻力实时监测
信号处理
2024-10-29 v1 人工智能
机器学习
摘要
下肢运动阻力的实时监测对于临床和运动领域的各种应用至关重要，如康复和运动训练。当前方法在准确性、计算效率和通用性方面常常受到限制，阻碍了实际应用。为此，本文提出了一种新型移动多任务学习网络（Mobile Multi-Task Learning Network, MMTL-Net），该网络集成了MobileNetV3用于高效特征提取，并采用多任务学习同时预测阻力水平和识别动作。MMTL-Net的优势在于提升了准确性、降低了延迟，并提高了计算效率，使其非常适用于实时应用。实验结果表明，MMTL-Net在UCI Human Activity Recognition和Wireless Sensor Data Mining Activity Prediction数据集上显著优于现有模型，Force Error Rate（FER）降至6.8%，Resistance Prediction Accuracy（RPA）提升至91.2%。此外，模型显示出12毫秒的实时响应性（Real-time Responsiveness, RTR）和33帧/秒的吞吐量（Throughput, TP）。这些发现凸显了该模型在多样化现实场景中的鲁健性和有效性。该提出的框架不仅推动了阻力监测领域的技术发展，也为更高效、更准确的临床和运动应用系统铺平了道路。在现实环境中，MMTL-Net的实际意义在于通过精确、实时的监测和反馈，提高康复中的患者预后，并提升运动表现。
关键词
引用
@article{arxiv.2410.19769,
title = {Real-time Monitoring of Lower Limb Movement Resistance Based on Deep Learning},
author = {Buren Batu and Yuanmeng Liu and Tianyi Lyu},
journal= {arXiv preprint arXiv:2410.19769},
year = {2024}
}
备注
17 pages paper