用可穿戴传感器和机器学习在自由生活环境中评估乳腺癌幸存者的上肢功能
Nieke Vets1,2, An De Groef1,2,3,4, Kaat Verbeelen2,3
1Department of Rehabilitation Sciences, KU Leuven, B-3000 Leuven, Belgium.
Sensors (Basel, Switzerland)
|July 14, 2023
概括
一种机器学习模型 (MLM) 显示出在家庭中评估乳腺癌幸存者的上肢 (UL) 功能. 然而,目前的手腕加速度计方法,包括MLM,往往会高估功能手臂活动.
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
- 在瘤学瘤学.
背景情况:
- 对上肢 (UL) 功能障碍的客观评估对乳腺癌幸存者 (BCS) 至关重要.
- 在家庭环境中区分功能和非功能手臂运动是一个挑战.
- 可穿戴传感器技术为远程患者监控提供了潜力.
研究的目的:
- 评估预先训练的机器学习模型 (MLM) 的准确性,用于在家庭环境中评估UL在BCS中的功能活动.
- 将MLM的业绩与计数门方法和视频注释进行比较.
- 为了确定手腕加速度计在BCS中量化功能手臂运动的可靠性.
主要方法:
- 参与者 (BCS) 在日常活动中佩戴手腕加速度计,并同时进行视频录制.
- 视频数据被手动注释,以定义UL功能.
- 用计数值方法和机器学习模型 (MLM) 来处理加速度计数据.
- 性能指标包括精度,回忆,灵敏度,f1得分,总分钟和功能活动的百分比.
主要成果:
- 多媒体营销展示了良好的预测准确度 (0.77-0.90),回忆和特异性.
- 对于MLM的f1得分很差,表明在区分功能和非功能运动方面存在局限性.
- 与视频注释数据相比,MLM和计数值方法都高估了功能活动.
- 方法之间功能活动百分比的平均差异很小,但表明过高估计.
结论:
- 机器学习模型为在BCS中评估UL函数的计数值方法提供了优质的替代方案.
- 目前基于手腕加速度计的方法,包括MLM,高估了乳腺癌幸存者的上肢功能活动.
- 需要进一步改进算法,以便在家庭环境中使用可穿戴传感器准确量化功能手臂运动.
