相关实验视频
Updated: Jul 2, 2025
07:24
Home-Based Monitor for Gait and Activity Analysis
Published on: August 8, 2019
6.7K
使用单传感器加速度计在杜恩肌肉发育不良 (DMD) 中的步态特征:经典机器学习和深度学习方法.
Albara Ah Ramli1, Xin Liu1, Kelly Berndt2
1Department of Computer Science, School of Engineering, University of California, Davis, CA 95616, USA.
Sensors (Basel, Switzerland)
|February 24, 2024
概括
研究人员使用智能手机加速度计来量化杜氏肌肉发育不良 (DMD) 儿童的步态差异. 机器学习准确地识别了DMD特异性的步态模式,使得儿童的这种情况可以进行远程监测.
科学领域:
- 生物机械分析分析
- 儿科神经学 儿科神经学
- 数字健康数字健康
背景情况:
- 杜氏肌肉发育不良症 (DMD) 的步态偏差在视觉上是显而易见的,但在专业实验室之外很难量化.
- 患有DMD的儿童的客观步态分析通常需要实验室设备,限制了可访问性.
- 消费级加速度计为可访问步态评估提供了一个潜在的解决方案.
研究的目的:
- 使用智能手机加速度计量DMD儿童和典型发育 (TD) 同龄人之间的步态差异.
- 应用机器学习 (ML) 来区分DMD与TD步态模式.
- 评估使用可访问技术用于DMD步态监测的可行性.
主要方法:
- 15名患有DMD的儿童和15名TD的儿童 (3-16岁) 通过腰部佩戴的iPhone加速度计进行了步行/跑步测试.
- 步行数据包括速度校准测试,6分钟步行测试,100米跑步和自由行走.
- 提取了时空步行特征,并使用ML模型来分类参与者.
主要成果:
- 提取的步态特征显示,DMD儿童的步长减少,中侧功率增加,与已知的步态异常一致.
- 机器学习模型根据步态数据在区分DMD与TD儿童方面达到100%的准确性.
- 该研究表明,它能够捕捉DMD相关的步态特征,跨越各种速度和年龄组.
结论:
- 智能手机加速度计数据,用ML分析,可以有效地捕捉和区分DMD相关的步态特征.
- 这种方法提供了一种有希望的,可访问的方法来监测儿童的DMD进展和步态变化.
- 可访问的数字健康工具可以显著帮助临床评估和管理儿科神经肌肉疾病.
