渐变增强DD-MLP网:使用近红外光谱学进行集体学习模型,用于在运动期间分类中风后动力障碍程度

科学领域:

• 生物医学工程 生物医学工程
• 神经康复疗法 神经康复疗法
• 医疗保健中的机器学习

背景情况:

• 卒中幸存者经常经历动力障碍,影响运动功能和生活质量.
• 准确评估动力障碍对于有效的康复规划至关重要.
• 当前的评估方法可能是主观的,耗时的.

研究的目的:

• 开发一个自动化系统来评估中风后运动障碍的程度.
• 为了客观评估,将近红外光谱学 (NIRS) 与机器学习相结合.
• 为了验证模型在分类不同运动阶段的功能障碍时的准确性.

主要方法:

• 在五个阶段招募了35名受试者 (健康和Brunstrom阶段3-6).
• 在被动和主动运动期间,利用NIRS捕捉上肢和下肢肌肉中的血液动力学反应.
• 采用D-S证据理论用于特征融合和渐变增强DD-MLPNet模型用于动力障碍评估.

主要成果:

• 对上肢动力障碍的高分类准确度: 98.91% (被动) 和 98.69% (主动).
• 对于下肢动力障碍的高分类准确度: 99.45% (被动) 和 99.63% (主动).
• 该模型有效地在各种布伦斯特罗姆阶段区分了运动障碍的严重程度.

结论:

• 结合NIRS和机器学习方法,为评估中风后动力障碍提供了准确和自动化的方法.
• 这项技术显示出实时监测动症的巨大潜力.
• 该系统可以作为指导个性化中风康复培训的宝贵工具.