在中风幸存者中跌倒风险评估:一种机器学习模型,使用来自常见临床测试和运动认知双重任务的详细运动数据
Masoud Abdollahi1, Ehsan Rashedi1, Sonia Jahangiri1
1Department of Industrial and Systems Engineering, Rochester Institute of Technology, Rochester, NY 14623, USA.
Sensors (Basel, Switzerland)
|February 10, 2024
概括
客观传感器准确地预测了中风幸存者的跌倒风险. 在临床试验中使用最小惯性传感器的机器学习模型为摔倒查提供了一种可行的方法.
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
- 临床生物力学 临床生物力学
背景情况:
- 跌倒对中风幸存者构成重大风险,目前的评估方法通常依赖主观措施.
- 需要客观的,基于传感器的方法来提高在这一群体中跌倒风险预测的准确性.
- 开发客观的工具可以为中风幸存者提供个性化的康复策略.
研究的目的:
- 使用惯性传感器开发机器学习模型,对使用惯性传感器的中风幸存者进行客观的跌倒风险分类.
- 确定最佳的传感器配置和临床试验协议,以准确评估落风险.
- 提供数据驱动的方法来补充主观的跌倒风险评估.
主要方法:
- 21名中风幸存者接受了双重任务和没有双重任务的平衡,定时和走路,10米步行和坐立测试.
- 使用8个运动传感器捕获动态数据,从中提取了92个时空步态和临床特征.
- 监督机器学习模型 (SVM,物流回归,随机森林) 被训练来分类高与低的跌倒风险.
主要成果:
- 一个随机森林模型在降落风险分类中实现了91%的准确性.
- 关键的预测功能包括双任务平衡摆动和定时上升和走路时间.
- 使用单个胸部传感器的模型表现出与多传感器配置相美的性能.
结论:
- 使用最小惯性传感器的机器学习模型可以在临床评估期间准确量化中风幸存者的跌倒风险.
- 单个胸部传感器设置是有效的,简化了数据收集.
- 这种客观查方法对指导中风康复工作充满希望.
