ランダムな森林とk-meansクラスタリングを使用して,片側トランスフェモラル切断の個体における歩行分類

科学分野:

• バイオメカニクス
• リハビリテーションエンジニアリング
• 医療におけるデータサイエンス

背景:

• 片側トランスフェモラル切断 (uTFA) の歩行分析では,クラスタリングのための科学的特徴の選択がしばしば欠けている.
• 従来の方法は経験的な知識に依存し,歩行パターンの客観的な分類を制限します.

研究 の 目的:

• ランダムな森林とk-meansクラスタリングを使用して uTFAの個体における歩行パターンを分類する.
• UTFAと非障害者を区別するための主要な歩行パラメータを特定する.
• uTFAの集団内の異なる歩行クラスタを定義する.

主な方法:

• 器具付きのトレードミルを用いてTFAと対照群から空間時間データと垂直地面反応力 (vGRF) を収集した.
• 特徴の重要性の分析と歩行パターンの分類のためのk-meansクラスタリングにランダムフォレストを使用した.
• 最適なクラスター数を決定するためにシルエットスコアと肘の方法が適用されます.

主要な成果:

• ランダム・フォレストは,スイング・フェーズとシングル・アーム・サポートの持続期間が,TFAと非障害者を区別するために不可欠であると特定しました.
• K-means クラスタリングは,対称性,片足のサポート期間,ステップの長さ,およびカデンスをベースに 3 つの異なる歩行クラスタを明らかにしました.
• クラスタ1:最も低い対称性,最も短い義足の支柱;クラスタ2:最も高い対称性,最も長い義足の支柱,完ぺきなステップの長さ;クラスタ3:適度な対称性,最も高いペース.

結論:

• UTFA患者の歩行パターンは 機械学習技術を使って客観的に分類できます
• 異なる歩行プロフィールが uTFA 集団内に存在し,異なる程度の対称性と時間的なパラメータによって特徴付けられます.
• 特定の歩行パラメータ (例えば,片足のサポート,ステップの長さ,ペース) に焦点を当てたカスタマイズされたリハビリテーションは,UTFAの個人に歩行パフォーマンスを向上させることができます.