在社区居住的老年人中,用后图学参数进行跌倒风险分类:一种机器学习和可解释的人工智能方法

科学领域:

• 老年学是一门学科.
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 站立姿势的计算机姿势学用于评估老年人和特定疾病群体的跌倒风险.
• 机器学习 (ML) 与传统的回归相比,为分析复杂,高维,非线性和相关的后尿图数据提供了优势.
• 可解释的人工智能 (XAI) 在降落风险评估中提高ML模型的可解释性至关重要.

研究的目的:

• 采用ML算法来对社区老年人中跌倒风险进行分类.
• 使用XAI方法提高这些ML模型的可解释性.
• 调查后泌尿学参数在预测跌倒风险方面的有效性.

主要方法:

• 分析了215名参与者的个人指标和四个站立姿势的静脉图形数据.
• 使用了两个分类标准:以前的跌倒历史和定时起飞 (TUG) 测试成绩.
• 采用元启发式方法来进行特征选择,并采用夏普利增量解释 (SHAP) 方法来进行模型解释.

主要成果:

• 后泌尿学参数有效地根据TUG分数 (>10s vs. <10s) 来分类参与者,但根据之前的秋季病史进行分类时效率较低.
• 在使用TUG得分时,特征选择提高了模型准确性,而Slime Mould算法显示出最佳性能 (准确性:0.72-0.77,AUC:0.80-0.90).
• SHAP值成功地说明了分类模型中不同特征的重要性.

结论:

• 常规姿势学参数可以准确地分类老年人的跌倒风险,特别是与TUG分数相关联时.
• 特性选择提高了ML模型的性能,用于降落风险分类.
• ML和XAI的整合为开发更准确,更可靠的落风险评估工具提供了巨大的潜力.