动态模式分解的应用,以从癌症妇女的走道传感器数据中描述脚部压力的时间演变

科学领域:

• 生物医学工程 生物医学工程
• 医疗保健中的人工智能
• 神经学 神经学

背景情况:

• 来自人行道的平面压力信号为医疗保健中的AI提供了复杂的数据.
• 改变步态已知在衰老和糖尿病神经病变中存在,但在化疗诱导的周围神经病变 (CIPN) 中较少.
• 对CIPN的纵向研究需要模型来捕捉化疗前的步态一致性,尽管正常变化.

研究的目的:

• 提出一种数据驱动的学习技术,用于识别脚部压力动态中的单个一致性.
• 将这种技术应用于化疗治疗前的一组女性.
• 评估早期检测影响移动性的化疗副作用的潜力.

主要方法:

• 从空间时空足部压力数据中提取了步态特征,通过分解为低级动态模式 (频率,衰变率,初始状态).
• 采用机器学习模型使用特征中心体来识别单个步行模式的一致性.
• 在为乳腺癌或妇科癌症开始神经毒性化疗之前,利用了16名妇女的数据.

主要成果:

• 该方法在根据其脚部压力动态识别个体时至少达到86%的准确性.
• 准确度与使用的脚 (右/左) 或步行速度 (普通/快) 不分.
• 证明了在一个队列中区分独特的步态特征的潜力.

结论:

• 开发的技术准确地从脚部压力数据中识别出个人的步态一致性.
• 这种方法对化学疗法诱导的周围神经病变 (CIPN) 的自动,早期检测充满希望.
• 未来的工作可以利用化学治疗前模式的偏差来监测影响移动性的副作用.