人类活动识别机器学习模型的概括性从非帕金森病患者到帕金森病患者

科学领域:

• 生物医学工程 生物医学工程
• 神经科学是一个神经科学.
• 康复技术 康复技术 康复技术

背景情况:

• 高强度运动在减少帕金森病 (PD) 运动症状,如震和硬等方面表现有前途.
• 使用机器学习 (ML) 的自动化人类活动识别 (HAR) 为PD患者监测提供了潜力.
• 当前的ML模型需要校准,以区分PD相关的震与实际的体力活动及其强度.

研究的目的:

• 开发和测试ML模型,以准确识别帕金森病患者的体力活动及其强度.
• 评估在健康受试者身上训练的ML模型在应用于PD患者时的通用性.
• 在PD活动识别的背景下,探索数据预处理对ML模型性能的影响.

主要方法:

• 训练有素的ML模型使用来自8名非PD受试者佩戴的三重同步传感器的数据,执行32个不同的练习.
• 通过测试它们识别8名PD患者在不同疾病阶段执行的练习的能力来验证训练的ML模型.
• 采用数据预处理技术,以提高模型的通用性.

主要成果:

• 在对健康受试者或PD患者单独进行测试时,ML模型实现了高准确性 (F1得分为0.88-0.94).
• 模型的通用性被证明是具有挑战性的,在健康和PD群体中应用时,性能下降显著.
• 数据预处理证明了模型通用性的部分改善.

结论:

• 基于ML的HAR提供了一种可行的方法,用于在帕金森病中客观测量身体活动.
• 个性化的运动处方,通过精确的活动监测得到信息,可以补充PD的药理疗法.
• 需要进一步的研究来提高ML模型的稳定性,以便在不同人群中区分活动,包括那些运动障碍的人群.