一个可穿戴传感器和机器学习估计了老年人和患有神经障碍的患者的步伐长度

科学领域:

• 生物力学 生物力学
• 可穿戴技术可穿戴技术
• 机器学习 机器学习

背景情况:

• 步骤长度是一个关键的健康指标,但目前的可穿戴设备估计缺乏最佳准确性.
• 精确的步长测量对于诊断和监测各种健康状况,包括神经疾病至关重要.

研究的目的:

• 开发和验证机器学习模型,以使用单个下背惯性测量单元精确估计步骤长度.
• 评估这些模型在不同人群中的准确性,包括有或没有神经疾病的年轻人和老年人.

主要方法:

• 开发和训练机器学习模型,使用472名参与者的数据 (年轻人/老年人,健康/神经疾病).
• 利用来自单个下背惯性测量单元的数据来捕获步态参数.
• 基于根平均平方误差 (RMSE) 和类内相关系数 (ICC) 的评估模型性能.

主要成果:

• 最好的机器学习模型实现了高精度的单步长度估计 (RMSE = 6.08厘米,ICC = 0.89).
• 经过10个步骤的平均值,模型的准确性进一步提高 (RMSE = 4.79厘米,ICC = 0.93),达到临床重要差异最小值.
• 这些模型甚至在患有帕金森病等神经疾病的个体中也表现出强的性能.

结论:

• 将机器学习与单个可穿戴传感器相结合,可提供准确的步骤长度测量.
• 这种方法在临床和现实环境中为持续的健康监测和步态分析提供了有前途的工具.
• 进一步的研究可能会对特定的神经疾病的准确性进行改进.