利用机器学习分析产后腰痛妇女的干运动模式
Doaa A Abdel Hady1, Tarek Abd El-Hafeez2,3
1Department of Physical Therapy for Women's Health, Faculty of Physiotherapy, Deraya University, EL-Minia, Egypt. doaa.abdelnaser@deraya.edu.eg.
Scientific reports
|August 12, 2024
概括
机器学习通过分析干运动,准确地预测产后腰痛. 关键特征包括疼痛水平和运动范围,为改善治疗提供了洞察力.
科学领域:
- 生物医学工程 生物医学工程
- 康复科学 康复科学 康复科学
- 数据科学数据科学数据科学
背景情况:
- 产后腰痛 (LBP) 影响了许多女性,影响了他们的生活质量.
- 了解导致LBP的生物力学因素对于有效干预至关重要.
- 现有的LBP评估方法可能无法完全捕捉动态的干部运动模式.
研究的目的:
- 用机器学习分析产后LBP妇女的干部运动.
- 为了确定预测产后LBP的关键生物力学特征.
- 开发精确的机器学习模型,用于LBP预测和分类.
主要方法:
- 应用回归和分类算法对100名产后妇女的干部运动数据 (50名有LBP,50名没有).
- 使用了诸如优化optuna回归器,基本CNN和随机森林分类器等技术.
- 进行特征选择以确定有影响力的生物力学因素.
主要成果:
- 优化的optuna回归器实现了回归的高精度 (MSE < 0.0003,R2 > 0.99).
- 基本CNN和随机森林分类器显示了近乎完美的分类准确性 (准确性,AUC,精度,回忆,F1分数=1.0).
- 重要的预测特征包括疼痛,运动范围 (屈曲,伸展) 和平均运动.
结论:
- 机器学习为分析产后LBP的干部生物力学提供了强大的工具.
- 识别的关键特征为风险评估和治疗个性化提供了定量见解.
- 这种方法有可能改善LBP诊断和患者的治疗结果.
