相关实验视频
Updated: Jun 23, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.7K
使用机器学习算法来检测多发性硬化症患者的跌倒恐惧在标准化步态分析中
Paula Schumann1, Katrin Trentzsch2, Heidi Stölzer-Hutsch2
1Institute of Biomedical Engineering, TU Dresden, Fetscherstr. 29, Dresden 01307, Germany.
Multiple sclerosis and related disorders
|June 17, 2024
概括
多发性硬化症 (MS) 中的跌倒恐惧 (FOF) 可以通过机器学习分析步态模式来预测. 患者报告的结果在识别FOF方面表现出最高的准确性,有助于早期干预.
科学领域:
- 神经学 神经学
- 生物医学工程 生物医学工程
- 数据科学数据科学数据科学
背景情况:
- 多发性硬化症 (MS) 是慢性中枢神经系统炎症的主要原因,行走障碍和跌倒恐惧 (FOF) 显著影响MS (pwMS) 患者的生活质量.
- 在pwMS中,FOF影响了60%的pwMS,导致运动能力,体力活动和整体幸福感降低.
- 早期发现FOF对于MS管理中的及时康复和个性化治疗策略至关重要.
研究的目的:
- 确定最佳的临床步态分析方法,以检测pwMS中的FOF.
- 用复杂的步态数据来确定最有效的机器学习 (ML) 算法来预测FOF.
- 整合步态分析和ML以改善成员国的跌倒风险评估和管理.
主要方法:
- 1240名pwMS的队列使用压力和运动传感器进行了多维步态分析,并与患者报告的结果 (PRO) 一起进行.
- 一个特征选择组合 (FS-Ensemble) 结合了Chi-square,信息获取,mRMR和ReliefF被开发来增强分类.
- 四个ML算法高斯的天真贝叶斯,决策树,k-近邻和支持向量机 (SVM) 被评估为FOF预测.
主要成果:
- 37%的pwMS (n=458) 报告了FOF,EDSS的中位数为4.0.
- 总体而言,FS-Ensemble在不同型号上改善了分类性能.
- 支持矢量机器 (SVM) 在FOF检测方面表现最好,而PRO,特别是早期运动障碍问卷和12项多发性硬化症量表,获得了最佳F1分数 (分别为0.81和0.80).
结论:
- FOF是MS中跌倒的重要心理风险因素,需要有效的早期检测方法.
- 整合步行参数的ML策略可以支持MS的早期康复和治疗适应.
- 患者自我评估 (PROs) 是有效的疾病管理和预防pwMS中跌倒的关键组成部分.
