肩部物理治疗动作识别：从智能手表惯性信号中进行机器学习
人机交互
2018-09-10 v2
摘要
目的：参与物理治疗项目被视为常见肩部疾病成功保守治疗的最大预测因素之一。然而，对这些方案的依从性通常较差，且在无监督的家庭锻炼方案中更差。目前可用于家庭环境中客观测量依从性的工具十分有限。本研究旨在开发并评估使用商用智能手表进行家庭肩部物理治疗监测的潜力。方法：二十名无既往肩部疾病史的健康成人受试者执行基于证据的肩袖物理治疗方案中的七项锻炼，同时从活动肢体采集六轴惯性传感器数据。在活动识别链 (ARC) 框架内，训练并优化了四种监督学习算法以对锻炼进行分类：k-近邻 (k-NN)、随机森林 (RF)、支持向量机分类器 (SVC) 和卷积循环神经网络 (CRNN)。算法性能通过先按时间分层、再按受试者分层的五折交叉验证进行评估。主要结果：所有算法在时间分层交叉验证上的分类准确率均高于 94%，其中 CRNN 算法表现最佳 (99.4%)。按受试者分层的交叉验证评估了分类器对未见受试者的性能，其准确率较低，同样以 CRNN 表现最佳 (88.9%)。意义：该概念验证研究证明了智能手表设备与监督机器学习方法在更便捷监测和评估家庭肩部物理治疗锻炼方案依从性方面的技术可行性。
引用
@article{arxiv.1802.01489,
title = {Shoulder Physiotherapy Exercise Recognition: Machine Learning the Inertial Signals from a Smartwatch},
author = {David Burns and Nathan Leung and Michael Hardisty and Cari Whyne and Patrick Henry and Stewart McLachlin},
journal= {arXiv preprint arXiv:1802.01489},
year = {2018}
}