相关实验视频
Updated: Jul 1, 2025
07:24
Home-Based Monitor for Gait and Activity Analysis
Published on: August 8, 2019
6.7K
一个运动分类的多肌痛类风湿病患者使用肌电传感器
Anthony Bawa1, Konstantinos Banitsas1, Maysam Abbod1
1Department of Electronic and Electrical Engineering, Brunel University London, Uxbridge UB8 3PH, UK.
Sensors (Basel, Switzerland)
|March 13, 2024
概括
机器学习可以准确地检测多肌痛类风湿患者的步行障碍. 支持矢量机器模型显示高精度,有助于康复和诊断.
科学领域:
- 生物医学工程 生物医学工程
- 临床生物力学 临床生物力学
- 医疗保健中的机器学习
背景情况:
- 步态障碍在神经和肌肉骨疾病中很普遍.
- 准确的步态分析对于有效的康复规划至关重要.
- 多发性肌痛性风湿症 (PMR) 可以显著影响移动性和步行.
研究的目的:
- 分析多肌痛性风湿症患者的临床步态模式.
- 用机器学习将PMR患者的步行障碍与健康对照区分开来.
- 评估各种机器学习模型在PMR中检测步行障碍的有效性.
主要方法:
- 临床步态评估涉及18名PMR患者和7名对照组.
- 从四个部肌肉 (大腿直骨,大腿侧骨,大腿两骨,半骨) 收集电肌图数据.
- 支持矢量机 (SVM),旋转森林 (RF),K-最近邻居 (KNN) 和决策树 (DT) 分类模型的应用.
主要成果:
- 支持矢量机 (SVM) 实现了最高的精度 (85%) 和灵敏度 (92%).
- 其他模型的性能各不相同:RF (80%的准确度,86%的灵敏度),KNN (75%的准确度,84%的灵敏度),DT (70%的准确度,90%的灵敏度).
- 机器学习模型有效地区分了PMR患者和对照对象的步态模式.
结论:
- 机器学习,特别是SVM,显示出在多肌痛性风湿症中识别行走障碍的巨大潜力.
- 这些发现可以为PMR患者设计有针对性的治疗练习.
- 开发的模型可以作为一个决策支持系统,用于诊断PMR中的步行障碍.
