Investigating Time Domain Features in Activity Recognition for Upper Limb Rehabilitation Using Skeleton Tracking
Notice bibliographique
Résumé
Accurate recognition of activities is crucial for effective tele-rehabilitation, leading to improved patient outcomes. In this study, we investigated different feature selection techniques for upper limb activity recognition. We asked 14 healthy participants (age: 24.71±2.34 years, height: 1.71±0.08 m, and BMI: 23.55±2.85 kg/m2) to perform 7 upper limb exercises for 3-5 times. During the exercises, RGB data was recorded. We extracted 2D coordinates (x,y) of 6 upper body joints as well as elbow and shoulder joint angle signals using AlphaPose technique. To improve data quality, we pre-processed the signals using the Z-score method, median filter, and moving average filter. To find significant features, we used three different feature selection techniques: 1) Recursive Feature Elimination with Random Forest, 2) Least Absolute Shrinkage and Selection Operator (LASSO), and 3) Feature Importance from Random Forests. Our results indicated that AlphaPose achieved an average joint detection and positioning score of 84% which demonstrates its effectiveness in this application. Notably, features extracted from the x-coordinate of wrist and elbow angle emerged as significantly influential in recognizing the type of exercise performed. We conducted artificiall intelligence models and in 10-fold cross-validation, STGCN++ achieved the highest accuracy (94.35 ± 3.14%) and F1 (94.30 ± 3.15%), followed by XGBoost and Random Forest. All models had high specificity (≥97.8%) and strong sensitivity (>94%). LOSO cross-validation confirmed STGCN++ as the most robust (accuracy: 87.95%, F1: 85.90%), with all models maintaining high specificity but variable sensitivity, highlighting STGCN++’s generalizability to unseen subjects. Overall, although deep learning techniques performed best, careful feature engineering can achieve comparable results with lower complexity.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».