20、实时反馈技术在CPR训练与学生模型评估中的应用

实时反馈技术在CPR训练与学生模型评估中的应用

一、CPR实时反馈系统

1.1 系统架构与训练设置

在CPR训练中，为了实现实时反馈，采用了特定的系统架构。所有类别均为二元类，因此使用二元交叉熵损失进行优化，并使用Adam优化器，学习率设为0.01，训练30个周期。

实时数据利用是系统架构的运行时行为，可概括为三个阶段：
1. 检测阶段 ：CPR Tutor需确定学习者执行的是胸外按压（CC）而非其他动作。采用基于规则的方法进行动作检测，通过Kinect数据监测肩部关节的垂直运动来持续检查CC的存在。这些规则经过手动校准，以确定CC的开始和结束。每次CC结束后，CPR Tutor通过TCP客户端将整个数据块推送到SharpFlow。
2. 分类阶段 ：SharpFlow运行一个用Python实现的TCP服务器，持续监听CPR Tutor发送的传入数据块。收到新数据块后，检查其数据格式是否正确且未被截断。若满足条件，则对数据块进行重采样，并将其输入从内存加载的最小 - 最大缩放器中，确保新实例得到正确归一化。准备好后，将转换后的数据块输入同样保存在内存中的分层LSTM。每个目标类别的结果被序列化为字典并发送回CPR Tutor，作为CC的注释保存。SharpFlow对一个CC进行分类平均需要70毫秒。
3. 反馈阶段 ：每次CPR Tutor收到分类后的CC时，会为每个目标类别计算性能和错误率（ER）。性能使用10秒窗口的移动平均值计算，即只考虑前10秒内执行的CC。错误率的计算公式为：$ER_j = 1 - \frac{\sum_{i