动力学特征的使用在评估上肢运动功能的学习进展基于机器学习的机器学习

科学领域:

• 生物力学 生物力学
• 康复科学 康复科学 康复科学
• 医疗保健中的机器学习

背景情况:

• 目前用于康复的临床评估缺乏监测患者进展的敏感性和连续性.
• 动力学特征提供了一个潜在的解决方案,因为它们的灵敏和持续性质反映了运动变化.
• 确定康复评估的最佳动力学特征仍然是一个挑战.

研究的目的:

• 探索动力学特征的应用,用于分类运动模式和品质在康复.
• 识别敏感的动力学特征,可以监测患者的学习进度.
• 为了比较选定的动力学特征与已建立的临床措施,如正常化抽动.

主要方法:

• 从一个7段三角运动模式中提取了12个运动特征.
• 进行了统计分析,比较动力学特征与正常化动.
• 开发了两个监督机器学习模型来分类运动模式和品质.
• 通过使用单个位置传感器收集了14名参与者的数据.

主要成果:

• 六个动力学特征表现出灵敏度,反映了康复实验期间的变化.
• 所有分析的动力学特征都对分类任务做出了重大贡献.
• 来自运动速度的特征被证明是对分类最有益的,与现有文献保持一致.

结论:

• 动力学特征,特别是基于速度的特征,在康复中对运动模式和质量进行分类是有效的.
• 这种方法提供了一种更敏感和连续的方法来评估患者的进展.
• 利用动力学特征的机器学习模型可以增强个性化和基于证据的康复干预.