Resumen

Este artículo presenta principalmente los contenidos relevantes de la evaluación automática de la movilidad de las extremidades superiores después de un accidente cerebrovascular, incluidos los conocimientos pertinentes de la evaluación clínica de la movilidad de las extremidades superiores, el sensor Kinect para realizar el seguimiento de la ubicación espacial de los puntos óseos de las extremidades superiores y el proceso de construcción del modelo GCRNN. Mediante el análisis detallado de todos los elementos de evaluación de la FMA, se estableció un entorno de adquisición de datos experimentales y tareas de evaluación únicos, y se obtuvieron los resultados de la predicción de la FMA utilizando datos de puntos óseos de cada tarea de evaluación. Mediante diferentes números y combinaciones de tareas, se alcanzó el mejor coeficiente de determinación cuando la tarea 1, la tarea 2 y la tarea 5 se utilizaron simultáneamente como entrada para la predicción de la FMA. Al mismo tiempo, para verificar el rendimiento superior del método propuesto, se estableció un experimento comparativo con LSTM, CNN y otros algoritmos de aprendizaje profundo ampliamente utilizados. Conclusiones. GCRNN fue capaz de extraer las características de movimiento de la extremidad superior durante el proceso de movimiento a partir de las dos dimensiones de espacio y tiempo y finalmente alcanzó el mejor rendimiento de predicción con un coeficiente de determinación de 0,89.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:movilidad del miembro superior, tarea, predicción de FMA, proceso de construcción del modelo GCRNN, otros algoritmos de aprendizaje profundo, entorno único de adquisición de datos experimentales, puntos óseos del miembro superior, ítems de evaluación de FMA, mejor rendimiento de predicción, datos de puntos óseos.
• Keywords:upper limb mobility, task, FMA prediction, GCRNN model construction process, other deep learning algorithms, unique experimental data acquisition environment, upper limb bone points, FMA evaluation items, best prediction performance, bone point data