基于机器学习的动态平衡和步态适应能力的估计在神经疾病的人使用惯性传感器
Piergiuseppe Liuzzi1,2, Ilaria Carpinella3, Denise Anastasi4
1AIRLab, IRCCS Fondazione Don Carlo Gnocchi ONLUS, 50143, Florence, Italy.
Scientific reports
|May 27, 2023
概括
可穿戴式传感器可以使用步态数据预测神经障碍 (PwND) 患者的修改动态步态指数 (mDGI) 评分. 这项技术可能可以更频繁地监测平衡和步行适应能力,以帮助康复.
科学领域:
- 神经学 神经学
- 生物医学工程 生物医学工程
- 康复科学 康复科学 康复科学
背景情况:
- 患有神经障碍的人 (PwND) 经常经历动态平衡和步态适应障碍,增加跌倒风险和日常生活挑战.
- 频繁评估动态平衡和步态适应能力对于监测疾病进展和康复有效性至关重要.
- 目前的临床评估,如修改动态步行指数 (mDGI),由于需要临床设置,限制了评估频率.
研究的目的:
- 调查使用可穿戴传感器衍生的惯性信号来预测PwND中的mDGI分数的可行性.
- 为了评估机器学习模型在从短时间的步行中估计步行的适应性方面的表现.
- 探索在现实环境中增加平衡和步态的监测频率的潜力.
主要方法:
- 95名患有神经系统疾病 (PwND) 的患者参与了这项研究.
- 在6分钟的步行测试中,在短时间的稳定状态行走过程中收集了惯性信号.
- 嵌套的交叉验证机器学习回归器被用于预测mDGI分数,用于多发性硬化症,帕金森病,中风和聚合队列的单独模型.
主要成果:
- 在聚合的多病理队列上训练的模型实现了3.58 (IQR 5.38) 点的中位数绝对测试误差.
- 76%的预测都在MDGI的最小可检测变化5点之内.
- 静态步行测量有效地捕获了与动态平衡和步行适应性相关的信息.
结论:
- 机器学习从惯性信号预测mDGI分数是监测PwND的一个有希望的方法.
- 这种方法可能会增加步态和平衡评估的频率,补充临床评估.
- 未来的工作将集中在现实世界的应用和加强绩效监测和早期检测变化的可行性.
