基于可穿戴传感器与深度学习的数据驱动卒中康复

卒中后的恢复常不完整，但康复训练可通过调动内源性神经可塑性来促进恢复。在卒中临床前模型中，需要高剂量康复训练以恢复动物患肢的功能性运动。然而在人类中，促进恢复所需的训练剂量尚不清楚。这一无知源于缺乏客观、务实的方法来测量康复活动中的训练剂量。在此，为开发一种测量方法，我们采取了自动识别功能基元（活动的基本构建块）这一关键第一步。四十八名慢性卒中患者在进行多种康复活动时佩戴惯性测量单元（IMU）以捕捉上半身运动。功能基元由人工标注者识别，他们对相关 IMU 数据进行标注和分割。我们使用机器学习对这些基元进行自动分类。我们设计了一个卷积神经网络模型，其性能优于现有方法。该模型包含一个初始模块，用于计算传感器数据中不同物理量的独立嵌入。此外，它将批归一化（基于训练数据计算的统计量进行归一化）替换为实例归一化（使用测试数据计算的统计量）。这提高了将方法应用于新患者时应对可能的分布偏移的鲁棒性。通过该方法，我们达到了 70% 的平均分类准确率。因此，结合基于 IMU 的运动捕捉与深度学习，我们能够实现功能基元的自动识别。该方法有助于实现客观测量的康复训练，使功能基元的识别与计数得以累积为训练剂量。