一种针对中风患者的智能康复评估方法,基于下肢外骨架机器人

科学领域:

• 康复工程 康复工程
• 生物医学数据科学 生物医学数据科学
• 脑中风恢复监测 脑中风恢复监测

背景情况:

• 对于中风患者的传统步态评估依赖于手动观察,导致效率低下和主观性.
• 对中风患者来说,客观和准确的评估康复进展,如6分钟步行距离 (6MWD) 和Fugl-Meyer评估下肢 (FMA-LE) 评分,至关重要.
• 现有的步态分析方法缺乏有效的康复计划指导所需的精度.

研究的目的:

• 为中风患者开发智能康复评估方法 (IRAM),使用下肢外骨架机器人传感器数据.
• 准确预测重点康复指标,如6MWD和FMA-LE分数.
• 克服手动和主观步态评估方法的局限性.

主要方法:

• 收集患者特征参数 (年龄,身高,持续时间) 和外骨传感器数据 (关节角度,速度,扭矩).
• 构建了一种步态特征模型,从外骨数据中推导出患者的步态参数 (例如,支与摆动相比,步长,腿部抬起高度).
• 训练了一种基于机器学习的康复评估模型,使用患者特征,步态参数和人机交互参数 (关节扭矩) 来预测6MWD和FMA-LE值.

主要成果:

• 开发的IRAM证明了对中风患者康复结果的高预测准确性.
• 该模型在6分钟步行距离 (6MWD) 中实现了85.19%的预测准确性.
• 该模型实现了Fugl-Meyer评估下肢 (FMA-LE) 亚尺度的92.66%的预测准确度.

结论:

• 提出的智能康复评估方法有效预测中风患者的6MWD和FMA-LE分数.
• 使用外骨机器人传感器数据为中风康复评估提供了更客观,更准确的方法.
• 这项技术有可能显著提高中风康复监测和指导的效率和可靠性.