使用可穿戴传感器和机器学习对腰部疼痛病理运动范围的分类
Fernando Villalba-Meneses1,2,3, Cesar Guevara4, Alejandro B Lojan2
1IDERGO (Research and Development in Ergonomics), I3A (Instituto de Investigación en Ingeniería de Aragón), University of Zaragoza, C/Mariano Esquillor s/n, 50018 Zaragoza, Spain.
Sensors (Basel, Switzerland)
|February 10, 2024
概括
这项研究开发了一种使用机器学习和运动捕捉数据的医学测试,以帮助对腰部疼痛 (LBP) 的物理治疗决策. 支持矢量机模型的准确度超过90%,提供数据驱动的方法来改善患者的生活质量.
科学领域:
- 生物医学工程 生物医学工程
- 医疗保健中的机器学习
- 肌肉骨系统疾病 肌肉骨系统疾病
背景情况:
- 腰部疼痛 (LBP) 是一种普遍的肌肉骨疾病,导致大量的缺勤.
- 目前针对非特异性LBP的诊断方法在指导身体治疗方面缺乏精度.
- 运动捕捉 (MoCap) 技术为临床评估提供客观的生物力学数据.
研究的目的:
- 开发一种基于机器学习的医学测试,用于指导非特异性LBP患者的身体治疗.
- 使用从运动范围 (ROM) 练习中获得的运动捕捉数据来对LBP患者进行分类.
- 为了提高MoCap在数据驱动的LBP管理中的临床适用性.
主要方法:
- 在厄瓜多尔Imbabura的健康个人和LBP患者的ROM练习中收集了运动捕捉 (MoCap) 数据.
- 训练和评估了七个机器学习 (ML) 算法:逻辑回归,决策树,随机森林,SVM,KNN,MLP和梯度增强.
- 基于LBP检测的分类准确性的算法性能比较.
主要成果:
- 所有测试的ML算法在分类LBP时都达到了>80%的准确性.
- 支持矢量机 (SVM),随机森林和MLP模型以>90%的准确性表现出卓越的性能.
- 确定SVM算法是最有效的用于此分类任务.
结论:
- 机器学习模型有效地使用MoCap数据对LBP进行分类,从而实现高诊断精度.
- SVM,随机森林和MLP显示出开发客观LBP评估工具的巨大潜力.
- 这种使用MoCap的数据驱动方法可以改善慢性LBP患者的生活质量.
