深度学习模型用于评估头患者对姿势控制的感觉运动系统的能力.

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 信号处理 信号处理

背景情况:

• 平衡的姿势依赖于整合视觉,前体和体感官输入.
• 压力中心 (COP) 信号频率与传感器运动系统功能相关.
• 当前余额评估可能耗时,需要专门的设备.

研究的目的:

• 开发一个深度学习协议,用COP信号频率来估计平衡得分 (ES).
• 在患有头的个体中量化评估感官系统贡献.
• 探索一种更有效,更易于使用的平衡评估方法.

主要方法:

• 在正常控制和患有梅尼尔氏病或前置神经炎的患者中,使用了静止站立的COP信号.
• 应用短时间里埃转换来将COP信号转换为频域.
• 经过训练和测试的卷积神经网络 (CNN) 模型 (GoogleNet,ResNet-18,SqueezeNet,VGG16) 与编码的ES子类.

主要成果:

• 使用ResNet-18与20个子类实现了测量和预测ES之间约1.7的绝对差异.
• 在使用预测ES的感官分析中显示了~1.0%的平均误差.
• 验证了COP信号频率的潜力,用于定量平衡评估.

结论:

• 对COP信号频率的深度学习分析可以有效地估计传感系统对平衡的贡献.
• 这种方法为传统的平衡测试方法提供了一个有希望的,时间效率高的替代方案.
• 这些发现支持简化平衡评估的广泛应用,以评估头.