Rehab-Net : cadre d'apprentissage profond pour la classification des mouvements du bras à l'aide de capteurs portables pour la réhabilitation après AVC

Dans cet article, nous présentons un cadre d'apprentissage profond "Rehab-Net" pour classifier efficacement trois mouvements du membre supérieur du bras humain, impliquant l'extension, la flexion et la rotation de l'avant-bras, qui, au fil du temps, pourraient fournir une mesure des progrès de la réhabilitation. Le cadre proposé, Rehab-Net, est formulé avec un modèle de réseau de neurones convolutifs (CNN) personnalisé, léger et à faible complexité, utilisant deux couches de CNN, entrecoupées de couches de pooling, suivies d'une couche entièrement connectée qui classifie les trois mouvements à partir des données d'accélération tri-axiales recueillies au poignet. Le cadre Rehab-Net a été validé sur des données de capteurs collectées dans deux situations : 1) un environnement semi-naturalisé impliquant une activité archétypale de "préparation de thé" avec quatre survivants d’AVC et 2) un environnement naturel, où dix survivants d’AVC étaient libres d'effectuer tout mouvement du bras désiré pendant une durée de 120 minutes. Nous avons atteint une précision globale de 97,89 % sur les données semi-naturalisées et de 88,87 % sur les données naturalistes, ce qui a dépassé les algorithmes d'apprentissage de pointe, à savoir l'analyse discriminante linéaire, les machines à vecteurs de support et le clustering k-means avec une précision moyenne de 48,89 %, 44,14 % et 27,64 %. Par la suite, une analyse de la complexité computationnelle du modèle proposé a été discutée en vue d'une mise en œuvre matérielle. L'importance clinique de cette étude est de surveiller avec précision les progrès cliniques des sujets réhabilités dans des contextes ambulatoires.