Improving Inertial Sensor-Based Activity Recognition in Neurological Populations.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

İnertyal sensör tabanlı insan aktivitesi tanıma (HAR), hareket kabiliyeti zayıf olan kişilerin genel sağlık durumunu veya fonksiyonel yeteneklerini gösterebileceği için bir dizi sağlık uygulamasına sahiptir. Tipik olarak, yapay zeka modelleri zengin ve çeşitli ataletsel veri kümeleri ile eğitildiğinde yüksek tanınırlık elde eder. Bununla birlikte, bu tür veri kümelerinin elde edilmesi, örneğin, birçok günlük aktiviteyi gerçekleştirmek için hasta hareketliliğinin bozulması nedeniyle nörolojik popülasyonlarda uygulanabilir olmayabilir. Bu çalışma, nörolojik popülasyonlarda HAR için zengin ve çeşitli veri kümeleri oluşturma zorluğunun üstesinden gelmek için yeni bir çerçeve önermektedir. Çerçeve, sayısal atalet zaman serisi verilerinden (başlangıç durumu) görüntüler üretir ve daha sonra daha büyük bir veri kümesi elde etmek için üretilen görüntü sayısını (geliştirilmiş durum) yapay olarak artırır. Burada, görüntü girişini kullanarak konvolutional sinir ağı (CNN) mimarilerini kullandık. Buna ek olarak, CNN, sınırlı veri kümelerinin büyük verilerle eğitilmiş modellerden yararlanmasını sağlayan transfer öğrenmesine olanak tanır. Başlangıçta, çerçeveyi doğrulamak için iki karşılaştırmalı genel veri kümesi kullanıldı. Daha sonra, yaklaşım geçerliliği daha fazla araştırmak için sağlıklı deneklerin (HS), Parkinson hastalığının (PD) popülasyonunun ve inme kurtulanlarının (SS) sınırlı yerel veri kümelerinde test edildi. Deneysel sonuçlar, veri artırımı uygulandığında, HS, SS ve PD'de tanıma kazanımlarının, veri çoğaltma durumuna kıyasla sırasıyla% 25,6,% 21,4 ve% 5,8 oranında arttığını göstermektedir. Buna ek olarak, veri büyütme, sınırlı yerel veri kümelerinde sırasıyla merdiven yükselişi ve merdiven inişinin% 39,1 ve% 18,0 oranında daha iyi tespit edilmesine katkıda bulunur. Bulgular ayrıca, az sayıda derin katmana sahip CNN mimarilerinin yüksek doğruluk elde edebileceğini göstermektedir. Bu çalışmanın iması, sınırlı veri kümelerinin tahakkuk ettiği katılımcılar ve araştırmacılar üzerindeki yükü azaltma potansiyeline sahiptir.

Özgün kaynak özetini okuyun

Inertial sensor-based human activity recognition (HAR) has a range of healthcare applications as it can indicate the overall health status or functional capabilities of people with impaired mobility. Typically, artificial intelligence models achieve high recognition accuracies when trained with rich and diverse inertial datasets. However, obtaining such datasets may not be feasible in neurological populations due to, e.g., impaired patient mobility to perform many daily activities. This study proposes a novel framework to overcome the challenge of creating rich and diverse datasets for HAR in neurological populations. The framework produces images from numerical inertial time-series data (initial state) and then artificially augments the number of produced images (enhanced state) to achieve a larger dataset. Here, we used convolutional neural network (CNN) architectures by utilizing image input. In addition, CNN enables transfer learning which enables limited datasets to benefit from models that are trained with big data. Initially, two benchmarked public datasets were used to verify the framework. Afterward, the approach was tested in limited local datasets of healthy subjects (HS), Parkinson's disease (PD) population, and stroke survivors (SS) to further investigate validity. The experimental results show that when data augmentation is applied, recognition accuracies have been increased in HS, SS, and PD by 25.6%, 21.4%, and 5.8%, respectively, compared to the no data augmentation state. In addition, data augmentation contributes to better detection of stair ascent and stair descent by 39.1% and 18.0%, respectively, in limited local datasets. Findings also suggest that CNN architectures that have a small number of deep layers can achieve high accuracy. The implication of this study has the potential to reduce the burden on participants and researchers where limited datasets are accrued.

Bilimsel değerlendirme

Araştırma sorusu

Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.

Yöntem ve örneklem

Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.

Temel bulgular

Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.

Sınırlılıklar

Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.

Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.