相关实验视频
Updated: Jul 5, 2025
07:40
Multi-Modal Home Sleep Monitoring in Older Adults
Published on: January 26, 2019
7.7K
预测中风患者卧室停留时间:使用可穿戴传感器数据的机器学习方法
Takayuki Ogasawara1,2, Masahiko Mukaino2,3, Kenichi Matsunaga4
1NTT Basic Research Laboratories and Bio-Medical Informatics Research Center, NTT Corporation, Atsugi, Japan.
Frontiers in bioengineering and biotechnology
|January 18, 2024
概括
这项研究表明,可穿戴设备和机器学习可以准确预测中风患者在卧室停留的时间. 这提供了一种具有成本效益和隐私保护的方法,用于监测康复期间的患者活动.
科学领域:
- 生物医学工程 生物医学工程
- 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:
- 在康复中,中风患者往往会经历长时间的不运动和在房间外活动有限.
- 对医疗保健提供者来说,手动跟踪卧室停留时间是不切实际的.
- 自动化跟踪解决方案由于基础设施要求 (如接入点) 而昂贵.
研究的目的:
- 评估使用机器学习与可穿戴设备数据的可行性,以估计中风患者的卧室停留时间.
- 开发一种具有成本效益和隐私意识的方法来监测患者的活动.
主要方法:
- 99名中风半衰竭住院患者参与,进行了343次测量.
- 可穿戴设备记录了心电图和胸部加速数据.
- 机器学习模型与使用活动和人口统计数据预测卧室停留时间进行了比较.
主要成果:
- 躺下和坐着/站着的时间与卧室停留时间有显著的相关性 (R=0.56和R=-0.52,p<0.001).
- 机器学习模型在实际和预测的卧室停留时间之间实现了强烈的相关性 (R=0.72,p<0.001).
- 功能独立度量得分与卧室停留时间没有相关性.
结论:
- 与机器学习相结合的可穿戴设备可以有效地预测中风患者的卧室停留时间.
- 这种方法提供了一个更具成本效益和保护隐私的替代方案,而不是持续的位置跟踪.
- 经过训练的模型可以在没有持续的实时监控的情况下预测持续时间,从而提高实用性.
