基于机器学习的预测,基于大脑麻患者的动力学联合时刻的预测
Mustafa Erkam Ozates1, Derya Karabulut2, Firooz Salami3
1Department of Robotics and Intelligent Systems, Institute of Graduate Studies in Science and Engineering, Turkish-German University, Istanbul, Turkey.
Journal of biomechanics
|June 5, 2023
概括
机器学习可以使用运动学来预测脑 (CP) 患者在步行过程中的关节时刻. 虽然有希望,但目前的预测错误限制了其用于CP步态分析的临床应用.
科学领域:
- 生物力学 生物力学
- 神经学 神经学
- 机器学习 机器学习
背景情况:
- 步行过程中的关节时刻对于脑 (CP) 的临床决定至关重要.
- 计算关节时刻通常需要地面反应力 (GRF),这在CP患者中很难获得.
- 之前的机器学习模型预测了典型发达 (TD) 个体的动力学联合时刻,但不是CP群体.
研究的目的:
- 在CP患者和TD患者的步行过程中预测关键关节时刻 (背部 - 脚部曲,膝盖,部).
- 利用一维卷积神经网络 (CNN) 来从动态数据中预测关节时刻.
- 评估机器学习的可行性,以取代传统的基于GRF的时刻计算在CP.
主要方法:
- 分析了132名TD和622名CP (性双) 个体的回顾性步态数据.
- 一维CNN模型被训练来预测从干,骨盆,部,膝盖和脚动态的关节时刻.
- 在孤立的测试组中,模型性能使用规范化根平均平方误差 (nRMSE) 和皮尔森相关系数 (PCC) 进行了评估.
主要成果:
- 预测的联合时刻为CP的nRMSE范围为13.58%至18.02%,TD个体为8.58%至12.55%.
- 对预测的皮尔森相关系数 (PCC) 在CP的0.850.93和TD个体的0.940.98之间.
- 与CP患者相比,TD患者的预测准确性通常更高.
结论:
- 机器学习从动力学中预测关节时刻显示了CP步态分析的潜力.
- 目前的预测误差水平还不够用于CP的直接临床决策.
- 需要进一步的研究和模型改进,以提高临床应用的准确性.
更多相关视频
11:06A Human-machine-interface Integrating Low-cost Sensors with a Neuromuscular Electrical Stimulation System for Post-stroke Balance Rehabilitation
Published on: April 12, 2016
10.5K
09:32Subject-specific Musculoskeletal Model for Studying Bone Strain During Dynamic Motion
Published on: April 11, 2018
9.8K
