开发,验证和限制结的步态检测使用单一腰部穿戴设备的步态检测

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 结步态 (FOG) 在帕金森病 (PD) 患者中显著损害了运动能力.
• 实时检测FOG事件对于开发干预措施至关重要.
• 目前用于FOG检测的方法通常依赖于视觉检查.

研究的目的:

• 为了研究基于自动设备的FOG检测的性能.
• 评估机器学习分类器使用传感器数据用于FOG检测.
• 为了将设备检测到的FOG事件与临床医生的注释进行比较.

主要方法:

• 开发了八个机器学习分类器,使用来自腰部佩戴设备的加速度计和陀螺仪数据.
• 收集了来自107名PD患者的数据,这些患者在进行旨在引起FOG的移动性任务时.
• 使用同步视频和专家注释来确定FOG事件的基本真相,通过10倍交叉验证比较设备数据.

主要成果:

• 临床医生在注释FOG情节方面表现出强烈的同意 (90%的灵敏度,92%的特异性).
• 使用加速度计数据的神经网络分类器实现了89%的灵敏度和81%的FOG检测特异性.
• 设备性能因分类器的复杂性而异,神经网络表现出高精度和稳定性.

结论:

• 一个腰部佩戴的设备可以准确地检测精确的FOG情节,与更复杂的系统相比.
• 该研究证明了高灵敏度自动FOG检测的可行性.
• 这项技术有可能减少对视觉FOG评估的依赖,并增强PD护理.