机器学习算法的比较,用与移动相关的和巴罗波多米测量测量来识别关节障碍
Juri Taborri1, Luca Molinaro1, Luca Russo2
1Department of Economics, Engineering, Society and Business Organization (DEIM), University of Tuscia, 01100 Viterbo, Italy.
Sensors (Basel, Switzerland)
|June 19, 2024
概括
这项研究探讨了使用带有便携式传感器的机器学习来诊断关节障碍 (TMD). k-最近邻近算法在识别TMD方面显示出高准确性,这表明客观临床评估的潜力.
科学领域:
- 生物医学工程 生物医学工程
- 计算医学是一种计算医学.
- 矯正牙科 矯正牙科是一種矯正牙科.
背景情况:
- 关节疾病 (TMD) 是影响关节功能和引起疼痛的常见疾病.
- 目前的TMD诊断依赖于临床评估,问卷和成像,这些可以是主观的.
- 需要为TMD提供客观和可访问的诊断工具.
研究的目的:
- 调查使用机器学习算法与低成本,便携式仪器的数据进行TMD识别的可行性.
- 开发一种客观的方法来测量成年人中TMD的存在.
主要方法:
- 招募了50名参与者 (25名TMD,25名健康对照).
- 收集的数据包括使用压力矩阵和通过惯性传感器评估宫移动性的气流测量分析.
- 我们比较了9个机器学习算法 (SVM,k-NN,决策树).
主要成果:
- 使用共弦距离的k-最近邻近算法表现出卓越的性能.
- 获得的精度为0.94,F1得分为0.94,G指数为0.08.
- 这种算法有效地区分了TMD和健康受试者.
结论:
- 机器学习算法,特别是k-NN,显示出对客观TMD诊断的希望.
- 低成本的便携式仪器与人工智能相结合,可以支持临床TMD评估.
- 这种方法可以提高诊断准确性和临床环境中的可访问性.
