由宾夕法尼亚州立大学工程科学与力学 (ESM) 詹姆斯·L·亨德森纪念副教授 Huanyu “Larry” Cheng 领导的研究小组测试了可穿戴传感器与“微型”机器学习算法的搭配使用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。

为什么需要这项技术?

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。

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?

我们设计了具有“类皮肤”机械特性的软惯性运动单元 (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。