对神经退行性疾病的深度学习辅助步行参数评估:模型开发和验证
Yu Jing1,2, Peinuan Qin3, Xiangmin Fan1,4
1Institute of Software, Chinese Academy of Sciences, Beijing, China.
Journal of medical Internet research
|July 5, 2023
概括
这项研究引入了使用人工智能的无接触步行分析,以帮助早期诊断神经退行性疾病. Bi-LSTM模型在步态评估方面取得了高准确性,改进了传统方法,以获得更好的患者护理.
科学领域:
- 生物医学工程 生物医学工程
- 医疗保健中的人工智能
- 临床诊断 临床诊断 临床诊断
背景情况:
- 神经退行性疾病 (NDD) 构成了全球性的健康挑战,尤其对老年人来说.
- 早期诊断NDD是困难的,但对于有效的管理和治疗至关重要.
- 步态分析是早期NDD检测的一个有希望的指标,为诊断,治疗和康复提供了洞察力.
研究的目的:
- 使用先进的机器学习开发一种非侵入性,非接触式步态评估方法.
- 为医疗保健专业人员提供精确的步态参数,以改善NDD诊断和康复规划.
- 利用人工智能为步态评估提供一种新的方法.
主要方法:
- 采集了41名参与者 (25-85岁) 的运动数据,使用3D摄像头 (Azure Kinect).
- 雇佣的支持矢量机 (SVM) 和双向长期短期记忆 (Bi-LSTM) 分类器被训练在时空特征上.
- 利用10倍交叉验证策略进行模型概括,并将性能与启发式方法进行比较.
主要成果:
- 双LSTM实现了优异的分类性能,精度为90.54%,回忆率为90.41%,F1得分为90.38%.
- 在步态细分方面,Bi-LSTM表现出93.2%的准确性,明显优于SVM (77.5%).
- 双LSTM方法在步态参数计算中产生了3.17%的低平均误差率,而SVM则为5.85%和启发式方法为20.91%.
结论:
- 基于Bi-LSTM的无接触步行分析有效支持准确的步行参数评估.
- 这种人工智能驱动的方法有助于医疗专业人员在早期NDD诊断.
- 该方法可为NDD患者创建个性化和有效的康复计划.
