一个基于深度学习的可穿戴解决方案,用于在家中持续监测上肢目标导向运动

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:

• 监测上肢功能对于患者护理和研究至关重要.
• 手的目标导向运动 (GDM) 是神经和运动障碍的敏感指标.
• 评估上肢功能的现有方法可能是耗时和主观的.

研究的目的:

• 开发一种自动化的深度学习方法,用于在日常活动中从加速度计数据中检测GDM.
• 验证模型在区分GDM与非GDM方面的性能.
• 评估该模型在分类中风幸存者和预测临床分数方面的实用性.

主要方法:

• 利用了从中风幸存者和控制参与者执行日常生活活动的加速仪数据.
• 开发和训练了一个深度学习模型来识别GDM.
• 从检测到的GDM周期中提取特征,用于进一步的分类和预测任务.

主要成果:

• 深度学习模型在检测GDM方面取得了很高的性能,AUC为0.9,准确度为0.83,灵敏度为0.81,特异性为0.84,F1得分为0.82.
• 从GDM中提取的特征被成功地用于区分中风幸存者与对照者.
• 该模型显示了预测中风幸存者的Fugl-Meyer评估得分的潜力.

结论:

• 开发的深度学习工具为现实世界上肢功能监测提供了一个有希望和可靠的方法.
• 这种方法可以作为一个有价值的生物标志物来评估上肢健康在各种神经,神经肌肉和肌肉疾病.
• 自动GDM检测有潜力提高疾病进展和治疗有效性的跟踪.