编辑推荐：
在康复监测中，活动识别算法需更精准且跨个体稳定。研究人员开展多尺度特征学习的活动识别算法研究，对比传统与多尺度架构模型。结果显示多尺度算法性能更优，这为康复监测系统发展提供关键支持，助力个性化治疗。
在现代医疗领域，康复医学对于帮助因 injury、surgery、disease 等导致运动功能受损的患者恢复日常功能至关重要。为了让康复治疗效果最大化，患者需要定期且正确地进行康复锻炼。然而，传统的每日门诊监督式锻炼并不现实，新兴技术为解决这一问题带来了希望，其中自动识别和评估患者活动的技术成为研究热点。但目前的活动识别系统存在诸多问题，比如在处理不同个体（尤其是健康个体和患者）的运动数据时，模型的准确性和稳健性不足。不同个体在运动时表现出独特的行为模式，现有系统常忽略这些差异，导致在不同人群中的识别准确率存在差异，无法满足精准医疗的需求。为了解决这些问题，研究人员开展了多尺度活动识别算法的研究，旨在提升康复监测系统跨个体性能的稳健性。
研究人员分析了预发布的 IntelliRehab Dataset（IRDS）数据集，该数据集涵盖了多种康复锻炼动作，包含健康和患者两类受试者的运动数据。研究人员运用深度学习技术，采用了一系列神经网络架构，如时间卷积神经网络（temporal convolutional neural network，tCNN）、混合长短期记忆网络（hybrid Long Short-Term Memory，LSTM）（包括 CNN-LSTM 和 Convolutional LSTM，ConvLSTM）以及 Transformer 模型等。他们对比了传统算法和多尺度算法的性能，多尺度算法通过两个并行分支在不同尺度上提取特征，以此来捕捉运动数据中的细微变化。
研究结果表明，在传统模型架构下，tCNN、CNN-LSTM、ConvLSTM 和 Transformer 的平均准确率分别为 92%、91%、88% 和 81%；而采用多尺度方法后，相应模型的平均准确率分别为 91%、90%、89% 和 93%。在其他评估指标上，多尺度模型也表现出色，如精度（Precision）、召回率（Recall）等。多尺度模型在处理具有较大个体间差异和运动持续时间变化的康复锻炼动作时，展现出更高的准确性和稳健性，尤其在患者群体中表现更为突出。
在研究结论与讨论部分，多尺度算法在活动识别任务中表现出优于传统算法的性能，它能够有效减少模型在不同类别受试者（包括健康个体和不同残疾程度的患者）之间的性能差异。这意味着多尺度算法可以更好地适应不同人群的运动特征，为康复监测系统提供更可靠的识别结果。此外，研究人员还指出，尽管该研究取得了一定成果，但数据集存在局限性，部分患者因个体差异导致识别结果欠佳。未来研究计划拓展数据集，并探索动态滑动窗口分割等技术，以提升系统的实时性能和泛化能力。
这项研究成果发表在《Computer Methods and Programs in Biomedicine》上，为康复监测系统的发展提供了新的思路和方法。其重要意义在于，多尺度活动识别算法的应用有助于更准确地跟踪和量化康复锻炼，为个性化治疗提供有力支持，推动了康复医学领域自动化康复系统的发展。
主要技术方法：
研究使用了 IRDS 数据集，涵盖 22 名受试者的 9 种康复锻炼数据。运用深度学习技术，基于 tCNN、CNN-LSTM、ConvLSTM 和 Transformer 等神经网络架构，采用留一法交叉验证（leave-one-subject-out，LOSO），以分类交叉熵（Categorical cross-entropy）为损失函数，结合零填充等数据预处理技术进行研究。
