一种深度学习算法的生态有效性,用于检测来自现实生活中的行走病例的步态事件,用于移动性限制疾病
Robbin Romijnders1,2, Francesca Salis3, Clint Hansen2
1Digital Signal Processing and System Theory, Electrical and Information Engineering, Faculty of Engineering, Kiel University, Kiel, Germany.
Frontiers in neurology
|November 1, 2023
概括
一个新的深度学习算法在现实环境中使用惯性测量单位 (IMU) 准确检测步行事件. 这一进步改善了对不同人群的移动性评估,包括那些患有限制移动性的疾病的人.
科学领域:
- 生物医学工程 生物医学工程
- 临床生物力学 临床生物力学
- 医疗保健中的人工智能
背景情况:
- 传统的临床移动性评估缺乏现实世界的应用性.
- 惯性测量单元 (IMU) 允许在自然环境中进行无监督的步态分析.
- 目前基于IMU的步态分析通常依赖于具有有限验证的启发式算法.
研究的目的:
- 开发和验证一个深度学习 (DL) 算法,用于精确的步态事件检测.
- 为了评估算法的表现,跨越多样化的移动性限制疾病队伍和健康的成年人.
- 为了在不受限制的环境中实现生态有效的步态分析.
主要方法:
- 一个深层卷积神经网络被训练使用加速仪和陀螺仪数据从IMU穿在双脚上.
- 步行事件 (初始和最终接触) 使用同步的IMU和压力内数据进行引用.
- 该算法在参与者的习惯环境中被验证了2.5小时.
主要成果:
- 对于初始接触 (回忆率:98%,精度:96%) 和最终接触 (回忆率:99%,精度:94%),DL算法实现了高检测性能.
- 从DL算法获得的时间步行参数与基于压力内的参考值有很好的一致性.
- 该算法证明了步行事件检测的中位时间误差很低 (ICs为0.02s,FCs为0.03s).
结论:
- 开发的DL算法在生态有效的环境中成功检测了步态事件.
- 这种方法为跨异质人群的步态分析提供了可靠的方法.
- 这些发现支持使用DL驱动的IMU分析来改善临床流动性评估.
