使用可穿戴传感器和机器学习的m-CTSIB平衡测试成绩的客观估计

科学领域:

• 生物医学工程 生物医学工程
• 运动学 运动学
• 数据科学数据科学数据科学

背景情况:

• 准确的平衡评估对于管理影响稳定性的条件和防止跌倒至关重要.
• 传统的方法是主观的,缺乏远程功能,需要专门的设备.
• 需要客观,可访问和高效的平衡评估工具.

研究的目的:

• 开发和验证一种创新的方法来估计修改后的临床测试的感官相互作用在平衡 (m-CTSIB) 的成绩.
• 利用可穿戴传感器和机器学习进行客观和可访问的平衡评估.

主要方法:

• 采集了34名参与者的运动数据,使用惯性测量单元 (IMU) 传感器.
• 应用多重线性回归 (MLR),支持矢量回归 (SVR) 和XGBOOST算法用于得分估计.
• 使用Leave-One-Out和5-Fold交叉验证验证了方法.

主要成果:

• 使用腰部传感器数据的XGBOOST模型显示出高准确度,相关性为0.96 (LOO) 和0.92 (5倍CV).
• 对于这两种验证方法,平均绝对误差 (MAE) 始终低至0.23.
• 获得了关于运动意义,特征选择和传感器放置的重要见解.

结论:

• 提出的方法为平衡评估提供了一个客观,可靠和高效的替代方案.
• 这项技术有可能彻底改变平衡评估,特别是在资源有限的环境中.
• 这些发现支持将可穿戴传感器和AI整合到临床实践中,以改善患者的治疗结果.