用机器学习算法对神经康复患者进行认知驱动步态结阶段检测和分类,使用机器学习算法

科学领域:

• 生物医学工程 生物医学工程
• 神经学 神经学
• 机器学习 机器学习

背景情况:

• 诊断大脑的认知和步态结模式对于心理健康障碍至关重要.
• 目前用于行走异常的视觉检查方法是主观的和不准确的.
• 客观的步态分析可以改善帕金森病患者的预后和治疗.

研究的目的:

• 为了区分行走大脑障碍和典型的行走模式.
• 为了利用机器学习 (ML) 和惯性测量单元 (IMU) 传感器数据.
• 为了提高步态识别,用于大脑,部和腿部康复.

主要方法:

• 使用了Daphnet结的步行数据集 (237个实例,9个属性).
• 应用ML算法和特征减小技术用于步态识别.
• 雇员监督学习使用IMU传感器数据从大脑,部和腿部.

主要成果:

• 随机森林 (RF) 实现了最高准确率的98.9%.
• 感知器的准确度最低,为70.4%.
• 与KNN,RF和NB相结合的LDA特征减少产生了有希望的准确性和F1分数.

结论:

• 整合ML算法为区分步行障碍与正常行走提供了可行的解决方案.
• 机器学习提供了一个客观的方法来支持步态分析中的临床判断.
• 这项研究突出了ML在神经疾病诊断中的潜力.