MARC

 008260324s2024        us                              c    eng  d
■001000017410831
■00520260331111230
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798381730739
■035    ▼a(MiAaPQ)AAI30811832
■040    ▼aMiAaPQ▼cMiAaPQ
■082    ▼a004
■1001  ▼aKaku,  Aakash.
■24510▼aHarnessing  Data  and  Deep  Learning  for  Stroke  Rehabilitation
■260    ▼a[Sl]▼bNew  York  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a178  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-08,  Section:  B.
■500    ▼aAdvisor:  Fernandez-Granda,  Carlos;Razavian,  Narges.
■5021  ▼aThesis  (Ph.D.)--New  York  University,  2024.
■520    ▼aStroke  is  a  leading  cause  of  long-term  disability,  necessitating  rehabilitation  for  improved  function  and  quality  of  life.  However,  quantifying  rehabilitation  doses  traditionally  lacks  objectivity,  often  proving  time-consuming  and  costly.  Thus,  there's  a  pressing  need  for  more  efficient  methods  to  automatically  quantify  rehabilitation  doses  and  make  therapy  objective.In  this  study,  we  explore  innovative  methods  to  automatically  quantify  rehabilitation  doses  and  enhance  therapy  objectivity.  We  introduce  a  novel  approach  to  identify  functional  primitives,  basic  activity  components,  from  inertial  measurement  unit  (IMU)  data.  Our  model,  equipped  with  a  sensor  embedding  module  and  adaptive  normalization  techniques,  outperforms  traditional  methods,  demonstrating  its  superior  ability  to  quantify  rehabilitation  training  doses.  These  adaptive  normalization  techniques  also  enhance  model  robustness  to  distributional  shifts,  as  observed  in  the  CIFAR-10  corrupted  dataset.Conventional  action  recognition  primarily  focuses  on  recognizing  broad  actions,  limiting  applications  requiring  high  temporal  precision  for  elemental  movements.  To  address  this  limitation,  we  present  the  StrokeRehab  dataset,  a  substantial  benchmark  containing  video  and  kinematic  data  from  stroke-affected  individuals  and  healthy  subjects  engaged  in  everyday  activities.  This  dataset's  inclusion  of  data  from  both  healthy  and  impaired  subjects  poses  realistic  distributional  challenges.While  state-of-the-art  action  segmentation  models  yield  noisy  predictions  on  the  StrokeRehab  dataset,  we  propose  a  novel  high-resolution  action  identification  approach  inspired  by  speech  recognition  techniques.  This  method  employs  a  sequence-to-sequence  model  to  directly  predict  action  sequences,  improving  accuracy  within  the  StrokeRehab  dataset.Furthermore,  we  leverage  data  from  healthy  subjects  to  develop  a  data-driven  tool  for  quantifying  impairment  in  stroke  patients.  By  training  the  model  on  healthy  subject  data  and  using  model  confidence  as  an  indicator  of  movement  abnormalities  in  stroke  patients,  we  establish  a  strong  correlation  between  reduced  model  confidence  and  stroke  patient  impairment.These  findings  highlight  the  potential  of  deep  learning  and  data-driven  methods  to  enhance  stroke  rehabilitation  outcomes.  Future  research  should  focus  on  developing  and  integrating  deep  learning-based  tools  into  clinical  practice  to  optimize  stroke  rehabilitation  further.
■590    ▼aSchool  code:  0146.
■650  4▼aComputer  science
■650  4▼aStatistics
■653    ▼aDeep  learning
■653    ▼aDeep  neural  networks
■653    ▼aInertial  measurement  unit
■653    ▼aMotor  impairment
■653    ▼aRehabilitation
■653    ▼aStroke
■690    ▼a0984
■690    ▼a0800
■690    ▼a0463
■71020▼aNew  York  University▼bCenter  for  Data  Science.
■7730  ▼tDissertations  Abstracts  International▼g85-08B.
■790    ▼a0146
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17410831▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서