非特异性腰部疼痛:通过因子分析和深度学习进行诱导性探索性分析,以更好地集群

科学领域:

• 生物医学工程 生物医学工程
• 康复科学 康复科学 康复科学
• 数据科学数据科学数据科学

背景情况:

• 非特异性腰痛 (NSLBP) 是一个广泛的健康问题,由于人口的多样性,人们对其原因和有效治疗的理解有限.
• 目前对NSLBP的治疗方法通常是通用的,导致患者的反应变化,并突出了对个性化干预的需求.
• 根据共同特征对NSLBP患者进行分组是一个有希望的策略,但以前的尝试由于主观数据和复杂性而面临挑战.

研究的目的:

• 调查客观,连续变量的影响和重要性,以便将NSLBP患者分为有意义的子组.
• 探索高密度电肌图 (HD EMG) 和运动捕捉数据在区分NSLBP与健康个体中的实用性.
• 评估不同类型的数据 (人类计量,生物力学,神经肌肉,平衡) 在分类NSLBP中的预测能力.

主要方法:

• 获得了高密度电肌图 (HD EMG) 和运动捕捉数据,来自46名实验对象在两种速度执行六项运动任务.
• 使用深度神经网络和因子分析进行探索性分析和变量重要性评估.
• 训练有素的分类模型使用各种数据子集 (所有变量,人体测量,生物力学,神经肌肉,平衡) 来区分健康个体和患有NSLBP的人.

主要成果:

• 分类模型在识别NSLBP时实现了高准确性 (总体高达93.30%,人体数据高达94.40%).
• 因子分析表明,NSLBP患者表现出不同的运动模式,与健康个体相比,其特点是运动速度较慢和更硬.
• 人类测量变量 (年龄,性别,BMI) 与NSLBP组件有显著的相关性,神经肌肉和生物力学数据也为准确的分类做出了贡献.

结论:

• 客观数据,包括人体测量,运动模式和神经肌肉活动,对于识别患有NSLBP的人来说非常有价值.
• 对NSLBP的全面理解需要整合多个数据域,而不是单独分析它们.
• 简化动态数据采集和进一步探索特定运动,如背部曲和干旋转,可以增强未来的研究和临床应用.