相关实验视频
Updated: Jun 27, 2025
08:16
Movement Retraining using Real-time Feedback of Performance
Published on: January 17, 2013
13.4K
基于膝关节关节病和步行特征的数字可穿戴内识别,使用机器学习
Matthew F Wipperman1,2, Allen Z Lin3, Kaitlyn M Gayvert3
1Precision Medicine, Regeneron Pharmaceuticals Inc, Tarrytown, United States.
eLife
|April 30, 2024
概括
低成本的数字内精确地测量了膝关节骨关节炎的步行特征,符合临床标准. 这项技术可以实现客观的,在家进行步态分析,以改善患者监测.
科学领域:
- 生物机械工程 生物机械工程
- 临床生物力学 临床生物力学
- 可穿戴技术是可穿戴的技术.
背景情况:
- 肌肉骨疾病,如膝关节关节病,显著损害了步行能力.
- 传统的临床步态分析是主观的,资源密集的.
- 客观的步态分析对于诊断和监测至关重要,但在临床环境中是有限的.
研究的目的:
- 评估低成本数字内的有效性,以客观地分析膝关节关节病的步态.
- 开发和验证一种机器学习模型,用于解释数字内的步态数据.
- 为了将数字内步态测量与黄金标准的临床步态实验室数据进行比较.
主要方法:
- 一个机器学习模型被训练在强力板数据从个人和没有膝关节关节病.
- 该模型的预测性能使用力板数据和独立的数字内数据集进行了验证.
- 从原始传感器时间序列数据的单个步骤中确定了个别的步态特征.
主要成果:
- 机器学习模型在预测力板数据方面表现出很高的准确性 (auROC = 0.86,auPR = 0.90).
- 该模型在独立的数字内数据集上表现良好 (auROC = 0.83,auPR = 0.86).
- 个人步态签名可以从数字内数据中识别,允许对象特定的步态特征.
结论:
- 数字内为传统的临床步态分析提供了一个可行的,低成本的替代方案.
- 这项技术有助于客观,在家进行步行评估,以加强患者监测.
- 这些发现支持用于步态分析的可穿戴技术的临床开发.
