探索和演示可解释的机器学习模型在基于假肢康复的步态分析中

科学领域:

• 生物力学 生物力学
• 康复工程 康复工程 康复工程
• 人工智能的人工智能

背景情况:

• 定量步态分析对于理解运动障碍至关重要.
• 传统的步态评估方法包括线性统计和机器学习 (ML).
• 可解释的ML提供了一种新的方法来识别从干预中影响步态变化的影响.

研究的目的:

• 在假肢康复中进行步态分析的可解释的ML.
• 在步态数据中比较基于人口和样本的解释性.
• 用不同的假膝关节来分类截肢者的步态.

主要方法:

• 视频录制了21名腿部截肢者的斜腰平面行走.
• 提取了19个时空和运动步态参数.
• 应用后勤回归,SVM,随机森林和LightGBM模型与SHAP进行解释性.

主要成果:

• 随机森林实现了98.3%的分类准确度.
• 根据SHAP分析,膝盖曲参数是最有影响力的.
• 基于样本的可解释ML为膝盖类型影响提供了独特的见解.

结论:

• 可解释的ML模型是评估与步态相关的临床干预措施的强大工具.
• 这种方法可以揭示常规统计数据遗漏的关键步态参数.
• 可解释的ML提高了对假肢康复结果的理解.