无监督的机器学习用于集群前进头部姿势,伸展和收缩运动模式,基于非特异性部疼痛患者的椎角数据
Ui-Jae Hwang1, Oh-Yun Kwon2, Jun-Hee Kim3
1Department of Physical Therapy, College of Health Science, Laboratory of KEMA AI Research (KAIR), Yonsei University, 234 Maeji-ri, Heungeop-Myeon, Wonju, Kangwon-Do, 220-710, Republic of Korea. hwangu33@nate.com.
BMC musculoskeletal disorders
|May 13, 2024
概括
这项研究使用机器学习在部疼痛患者中识别出三种不同的部部对齐模式. 研究结果表明,个性化治疗方法是必要的,超越了普遍的姿势正.
科学领域:
- 生物力学 生物力学
- 肌肉骨健康 肌肉骨健康
- 计算解剖学的计算解剖学
背景情况:
- 传统的脊对齐评估通常依赖于向前的头部姿势.
- 新兴的研究质疑简单的调整措施与部疼痛之间的直接联系.
- 需要对各种姿势和运动模式有细微的了解.
研究的目的:
- 为了研究椎骨对齐和部疼痛之间的复杂关系.
- 通过K-means集群,对经历非特异性部疼痛的个体进行脑部对齐模式的分类.
主要方法:
- 在229名部疼痛的办公室工作者中使用无监督的机器学习 (K-means算法).
- 使用二维视频分析测量了静止时,伸展时和收缩时的椎角 (CCA).
- 通过诺斯威克公园部疼痛问卷 (NPQ) 评估部疼痛的严重程度.
主要成果:
- 在NPQ得分和角数据 (CCA) 之间没有发现显著的相关性.
- 三个不同的对齐集群出现了,在年龄,NPQ分数和CCA措施方面存在显著差异.
- 集群1显示前进的头部姿势与收缩限制;集群2 (最老的) 有正常的CCA但强烈的疼痛;集群3表明伸展限制.
结论:
- 在部疼痛的办公室工作者中确定了三个独特的椎部对齐模式.
- 突出了人口中部疼痛和姿势特征的异质性.
- 建议个性化治疗策略,而不是一般化的姿势干预.
更多相关视频
06:28Biomechanical Changes Related to Low Back Pain: An Innovative Tool for Movement Pattern Assessment and Treatment Evaluation in Rehabilitation
Published on: December 13, 2024
480
05:49Author Spotlight: Deciphering Electrical Networks Behind Complex Brain Activities and Disorders
Published on: November 1, 2024
774
