在功能活动中检测和评估点对点运动,使用深度学习和对中风受影响手腕的动态分析

科学领域:

• 康复医学 康复医学 康复医学
• 生物医学工程 生物医学工程
• 可穿戴技术可穿戴技术

背景情况:

• 脑卒中经常导致上肢半,这是长期残疾的重要原因.
• 对运动功能的准确,不引人注目的评估对于有效的康复和恢复监测至关重要.
• 当前的评估方法可能无法完全捕捉自然主义的,现实世界的电机性能.

研究的目的:

• 提出和验证一个两相数据分析管道,用于估计上肢运动障碍.
• 用日常生活中的自然活动 (ADLs) 来评估运动性能.
• 开发一种无,生态有效的中风恢复措施.

主要方法:

• 18名中风幸存者在ADL期间在受影响的手腕上戴着惯性传感器.
• 一个机器学习模型在细分的惯性数据中识别了点对点 (P2P) 运动.
• 随后的模型使用动力学特征估计了上肢运动障碍 (Fugl-Meyer评估 - FMA).

主要成果:

• 该P2P运动检测模型实现了0.72.7的精度回忆曲线下的面积.
• 估计的FMA得分显示,正常化根平均平方误差为18.8%,R2=0.72.
• 交叉验证证明了模型的稳定性.

结论:

• 拟议的管道有效地估计了自然主义ADLs的上肢运动损伤.
• 这种方法提供了一个有前途的方法,用于对中风幸存者的不引人注目的,现实世界的运动性能评估.
• 这些发现支持开发生态有效的工具来监测康复的有效性.