在协调障碍患者中使用有意义特征的仪器行走分类
Zeus T Dominguez-Vega1, Mariano Bernaldo de Quiros1, Jan Willem J Elting1
1Department of Neurology, University Medical Center Groningen, University of Groningen, 9713 GZ Groningen, The Netherlands.
Sensors (Basel, Switzerland)
|October 28, 2023
概括
这项研究使用步态分析来区分儿童的早期发病性动症 (EOA) 和发育协调障碍 (DCD). 定量步态特征实现了比临床评估更高的分类准确性,有助于差异诊断.
科学领域:
- 神经学 神经学
- 儿科 儿科 儿科
- 生物机械工程 生物机械工程
背景情况:
- 早期发病性 (EOA) 和发育协调障碍 (DCD) 呈现重叠的症状,影响儿童小脑功能.
- 在儿科患者群体中区分EOA和DCD在临床上具有挑战性.
- 当前的诊断方法可以从客观的定量评估中受益.
研究的目的:
- 开发一种机器学习模型,使用定量步态数据对儿童进行EOA,DCD和典型发育对照 (CTRL) 的分类.
- 与现有方法相比,确定特定的步态特征,以提高诊断准确性和可解释性.
- 评估随机森林分类器在区分这些儿科群体方面的表现.
主要方法:
- 收集了18名EOA,14名DCD和29名CTRL儿童的步态数据,这些数据是在Scale for the Assessment and Rating of Ataxia (SARA) 的步态测试中收集的.
- 利用惯性测量单元 (IMU) 来捕获运动数据和步态模型来提取36个有意义的特征.
- 采用随机森林分类器,使用交叉验证和合成过量抽样进行分类.
主要成果:
- 随机森林模型的整体分类准确率为82.0%,超过了临床评估 (73.0%).
- 对于EOA,DCD和CTRL组的平均分类准确率分别为62.9%,85.5%和94.5%.
- 关键的区分特征包括部曲-延伸范围在行走过程中和运动变化在双重行走过程中.
结论:
- 定量步态分析,特别是与部运动和步态变化相关的特征,为儿童EOA和DCD的差分诊断提供了一个有前途的工具.
- 基于SARA-gait数据的机器学习分类提供了比传统临床评估更准确和更易于解释的方法.
- 这种方法可以帮助临床医生区分这些神经发育状况.
