宾夕法尼亚大学帕克分校——宾夕法尼亚州立大学工程科学与力学 (ESM) 纪念副教授Huanyu “Larry” Cheng领导的研究小组 测试了可穿戴传感器与“微型”机器学习算法可自动监测和评估婴儿的一般运动。
Cheng表示，基于人工智能算法的可穿戴传感器网络克服了主观性和成本问题。发表在《Advanced Science》上的试点测试 表明，新技术可以通过一般动作自动识别有患神经运动疾病风险的婴儿，准确率高达 99.9%。
宾夕法尼亚州立大学新闻采访了程，探讨了这项工作的影响。
问： 为什么需要这项技术?
Cheng：一般运动是婴儿从出生到 20 周期间表现出的固有的、自发的运动模式。婴儿运动行为的非典型模式可能表明潜在的神经运动功能障碍，例如脑瘫、自闭症谱系障碍或其他轻微形式的神经系统疾病。在婴儿期尽早进行检测对于促进早期康复和最佳的长期功能结果和生活质量至关重要。换句话说，在大脑发育过程中发生不可逆转的损伤/变化之前，可能只能在婴儿期进行检测和及时康复。目前的检查方法，如目视检查，受到主观判断及其对经过专门培训的临床医生的需求的限制。这些检查通常还使用摄像机，但摄像机设置受到复杂的摄像机设置和对周围环境的敏感性的限制。
问： 您能描述一下传感器的组成、它们检测的内容以及它们的工作原理吗?
Cheng：我们设计了具有“类似皮肤”机械特性的软无线惯性运动单元(IMU)设备，以降低婴儿未成熟皮肤在检查或治疗过程中经常发生的皮肤损伤风险。稀疏传感器网络战略性地将五个物理上分离但无线连接的 IMU 设备放置在婴儿的前额、手腕和脚踝上，以便收集可靠的运动数据。该传感器网络生成的数据流由微型机器学习算法处理，该算法具有定制开发的图形用户界面，用于自动识别有神经发育异常风险的婴儿。
问： 与用于诊断神经运动疾病的其他方法相比，这项技术有什么新颖之处?
Cheng：除了上面讨论的无线稀疏传感器网络的设计之外，微型机器学习算法在处理传感器网络生成的数据流方面也发挥着关键作用。与大型人工智能框架不同，微型机器学习算法可以在资源匮乏的环境中快速检测和分类“正常”、“高风险”和“低风险”婴儿。
问： 为什么要从小样本试点研究开始?研究从这里开始走向何方?
Cheng：由于招募大量人类受试者的挑战，目前的研究仅集中于样本量相对较小的23名婴儿的试点研究。尽管如此，结果证明了将 IMU 设备与微型机器学习模型相结合来对婴儿一般运动进行自动分类的可行性，为早期评估和评估大脑发育铺平了道路。我们当然有兴趣与相关医生合作进行更大规模的研究，以充分验证我们的设备系统。
同时，传感器/设备平台当然可以用于其他类型的研究，例如评估心肺状况、探索声带的声学特征以进行言语训练和唱歌、以及运动训练/锻炼等。