基于回归的机器学习用于预测背部疼痛患者的举起运动模式变化
Trung C Phan1, Adrian Pranata1,2,3,4, Joshua Farragher3,4
1School of Science, Computing and Engineering Technologies, Swinburne University of Technology, Hawthorn, VIC 3122, Australia.
Sensors (Basel, Switzerland)
|February 24, 2024
概括
这项研究探讨了机器学习回归算法,以预测低背痛 (LBP) 患者在力量训练后的干部,部和膝盖运动的变化. 特定的算法在预测这些运动变化的过程中显示出高准确度.
科学领域:
- 生物力学 生物力学
- 康复科学 康复科学 康复科学
- 医疗保健中的机器学习
背景情况:
- 机器学习 (ML) 在医疗保健中至关重要,但回归算法在预测举重运动变化的有效性需要评估.
- 腰部疼痛 (LBP) 影响着许多人,了解康复后的运动变化至关重要.
研究的目的:
- 试验基于回归的机器学习模型,在LBP患者进行了为期12周的力量训练计划后,预测干部,部和膝盖运动变化.
- 确定最准确的回归算法,用于预测特定的关节运动变化.
主要方法:
- 特征提取计算的斜平面运动范围为干部,部和膝盖.
- 使用了12种不同的回归机器学习算法.
- 模型的性能是根据运动变化的预测准确性来评估的.
主要成果:
- 带有LSBoost的Ensemble Tree实现了预测干部运动变化的最高准确性.
- 合奏树 (LSBoost) 也证明了对部运动的卓越预测精度.
- 使用指数核的高斯回归产生了对膝盖运动的最高预测准确度.
结论:
- 特定的回归模型,包括集树 (LSBoost) 和高斯回归,可以准确地预测干部,部和膝盖运动的变化.
- 这些预测模型为在LBP康复中改善治疗结果的可视化提供了潜力.
- 这项试点研究强调了ML回归在量化和预测康复诱导的生物力学变化的有用性.
