评估练习的质量
通过统计分析及机器学习方法,我们研究了康复运动对中风患者后期功能能力的改善,以及对功能能力改善的预测性。我们使用了患者康复运动和人口统计信息记录在非结构化电子健康记录(EHRs)数据和自由文本康复疗程笔记的数据集,共收集了来自匹兹堡大学医学中心的 265 名中风患者的数据。我们运用现有自然语言处理(NLP)算法提取了康复运动的数据,并开发了基于规则的 NLP 算法从疗程笔记中提取了 AM-PAC(基本移动和应用认知)评分。通过对 AM-PAC 评分的变化进行分类,我们采用最小临床重要差异(MCID)为基准,使用 Friedman 和 Wilcoxon 检验来评估显著性。为了确定具有决定性影响的锻炼,我们使用卡方检验、费舍尔精确检验以及逻辑回归计算了奇数比率。此外,我们开发了五个机器学习模型 —— 逻辑回归(LR)、Adaboost(ADB)、支持向量机(SVM)、梯度增强(GB)和随机森林(RF)—— 来预测功能能力的结果。统计分析显示功能改善与特定锻炼之间存在显著关联。RF 模型在预测功能结果方面表现最好。在这项研究中,我们确定了三种康复运动,在头两个月内对中风患者的功能能力改善起到了显著的贡献。此外,成功应用机器学习模型预测特定患者的功能结果突显了精准康复的潜力。
May, 2024
利用神经网络和 IMUs 原材料,作者设计了一种自动识别运动姿势的系统,即采用基于 CNN,LSTM 和 Dense 层的架构,利用构建出的数据集进行了训练。研究表明,该系统可以很好地识别出已知被试的运动姿势,但并不适用于未知被试者,并且不同的运动姿势识别性能存在显著差异。
Oct, 2022
通过引入一种新的监督对比学习框架,该框架结合了硬负样本和软负样本,利用整个数据集训练一种适用于所有运动类型的单个模型,从而提高了运动评估的泛化能力,并降低了总体复杂性,我们的方法在多个数据集上展示了胜过现有方法的结果,创立了康复运动评估准确性的新的基准。
Mar, 2024
本文探讨了机器学习在评估人类运动或行为的正确性中的作用,实验证明,机器学习算法可以在某些情况下产生良好的结果,但也可能会将不正确的行为分类为另一种行为的正确执行。
Aug, 2021
研究介绍了一种使用视频数据和神经网络进行运动康复质量评估的新方法。该方法使用跨模态数据增强技术对数据进行预处理培训,相比基准方法,其表现为更准确的评估结果。
Jun, 2023
通过被动传感器检测,PhysiQ 设计了一个新框架,用于跟踪和量化人们的离线锻炼活动,采用多任务时空孪生神经网络对物理治疗质量进行分类和相似度比较,对运动范围、稳定性和重复性进行评估与量化。
Nov, 2022
通过医疗数据集,我们提出了医学患者进行腰背疼痛康复锻炼的四个挑战,并在数据集上进行了数据收集、处理和小规模基准评估,同时评估了两种基准运动识别算法:高斯混合模型 (GMM) 和长短时记忆 (LSTM)。
Jun, 2024
通过使用 MediaPipe 进行姿势识别、峰值检测来计算重复次数以及使用可学习的物理模拟来追踪运动演变,本文提出了一个算法流程,可以实时检测和纠正运动技术问题,并通过统计学习基于典型学习运动来诊断测试视频。这个低成本设备如智能手机支持的实时推荐系统将帮助锻炼者纠正潜在的错误,使得自我练习成为可行的同时降低锻炼伤害的风险。
Oct, 2023
本研究介绍一种基于规则的自然语言处理算法,可以从非结构化的电子健康记录中标注中风患者的治疗过程,与几个小型机器学习模型进行比较,并发现我们的算法在提取足够数据可用的一半概念方面表现优异,并且每个概念的个别运动描述可以分配二进制标签,f-score 不低于 0.75。
Mar, 2023