使用机器学习对基于惯性传感器的骨科条件的步态模式进行分类:一个试点研究
Constanze Dammeyer1,2, Corina Nüesch1,3,4,5, Rosa M S Visscher3,6
1Department of Orthopaedics and Traumatology, University Hospital Basel, Basel, Switzerland.
概括
在老年患者中,机器学习可以以82.3%的准确度区分健康和病态的步态. 然而,使用步态模式区分特定的退行性疾病仍然具有挑战性,需要进一步探索.
科学领域:
- 生物力学 生物力学
- 老年学是指老年学的学科.
- 机器学习 机器学习
背景情况:
- 老年人经常出现多种影响移动性的并发症.
- 需要客观的工具来确定功能限制的主要原因,以改善临床决策.
研究的目的:
- 研究机器学习在基于步态模式识别退行性疾病方面的有效性.
- 使用步态分析,区分健康的步态,关节炎和脊柱狭窄.
主要方法:
- 利用一个临床数据库,该数据库包含来自七个惯性传感器的步态数据 (手足关节角度,时空参数).
- 包括来自单边膝关节/关节骨关节炎,腰部/椎脊柱狭窄症的患者和健康对照者的人类学数据.
- 通过MATLAB分类学习器使用机器学习模型,选择支持矢量机 (SVM) 作为最佳分类器.
主要成果:
- 在区分健康步行和病态步行时,获得了82.3%的准确性.
- 在区分不同退行性疾病方面达到51.4%的准确性,这表明步态模式的相似性.
- 通过经典机器学习证明,病态步态与健康步态是可以区分的.
结论:
- 病态和健康的步态之间存在明显的差异,可以通过机器学习进行分类.
- 目前的步态特征和人体测量数据不足以可靠地区分特定的退行性疾病.
- 需要进一步的研究来探索步行模式的相似性,并改进疾病特异性分类.
