基于运动学数据增强的睡眠姿势单样本学习框架：计算机模拟与活体案例研究
机器学习
2022-05-24 v1 机器人学
摘要
睡眠姿势与多种健康状况相关，如夜间痉挛及更严重的肌肉骨骼问题。然而，临床睡眠评估通常仅限于生命体征（如脑电波）。嵌有惯性测量单元的可穿戴传感器已被用于睡眠姿势分类；但以往工作仅考虑少数（通常为四种）姿势，不足以支撑进阶临床评估。此外，姿势学习算法通常需纵向数据采集方可可靠工作，且常基于临床医生不熟悉的原始惯性传感器读数运行。本文提出一种基于最少关节角度测量的睡眠姿势分类新框架。该框架在两条实验流水线上以丰富的十二种姿势进行验证：利用计算机动画获取合成姿势数据，以及使用定制微型可穿戴传感器的人体受试者试点研究。通过融合原始地惯传感器测量以计算手腕与踝关节处相对肢体朝向的滤波估计，身体姿势得以用医学专家可理解的方式表征。所提睡眠姿势学习框架利用一种仅需每姿势一个训练样本的新型运动学数据增强方法，实现即插即用的姿势分类。此外，采用一种新指标与数据可视化从姿势数据集中提取有意义洞察，展示数据增强方法的附加价值并解释分类性能。所提框架在合成数据上取得高达 100%、在真实数据上达 92.7% 的总体准确率，与文献中已有的数据饥渴型 SOTA 算法相当。
引用
@article{arxiv.2205.10778,
title = {Sleep Posture One-Shot Learning Framework Using Kinematic Data Augmentation: In-Silico and In-Vivo Case Studies},
author = {Omar Elnaggar and Frans Coenen and Andrew Hopkinson and Lyndon Mason and Paolo Paoletti},
journal= {arXiv preprint arXiv:2205.10778},
year = {2022}
}
备注
27 pages, 15 figures