相关实验视频
Updated: Jun 17, 2025
06:49
Automated Gait Analysis in Mice with Chronic Constriction Injury
Published on: October 17, 2017
10.1K
基于机器学习的步态适应功能障碍识别,使用基于CMill的步态数据
Hang Yang1, Zhenyi Liao1, Hailei Zou2
1Department of Rehabilitation Medicine, the First Affiliated Hospital of Zhejiang Chinese Medical University, Zhejiang, China.
Frontiers in neurorobotics
|August 13, 2024
概括
机器学习模型有效地识别了中风患者的步行适应性缺陷,避开障碍和步行速度是关键指标. 这有助于诊断步行异常,并改善中风幸存者的临床决策.
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
- 医疗保健中的机器学习
背景情况:
- 机器学习 (ML) 与步态分析相结合,为诊断异常步态模式提供了显著的潜力.
- 步行适应性对于功能性移动性至关重要,并且在诸如中风等神经疾病后经常受到损害.
研究的目的:
- 分析中风患者的步行适应性特征.
- 开发和优化ML模型,用于识别具有步行适应性缺陷 (GAD) 的个体.
- 为了确定关键的特征关键的分类中风患者的GAD.
主要方法:
- 在30名中风患者和50名健康成年人中评估了步行适应能力,他们使用CMill跑步机在避免障碍物和适应速度等任务中.
- 包括AdaCost在内的多个ML模型使用人口统计,动态和适应性数据进行训练.
- 用准确度,灵敏度,F1得分和ROC-AUC来评估模型性能.
主要成果:
- 脑卒中患者表现出明显减少的步行速度和步骤长度,与健康个体相比,不对称性增加.
- 在中风患者中,步行适应性任务,特别是避开障碍物和适应速度,显著受损.
- 该AdaCost模型实现了高分类性能 (ACC:0.85,SEN:0.80,F1:0.77,AUC:0.75),确定了避开障碍物和步行速度作为关键诊断特征.
结论:
- 脑卒中患者表现出减弱的步行速度和适应能力,特别是在障碍物谈判和变速方面.
- 更快的步行速度和更好的避开障碍与中风幸存者的功能移动性改善相关.
- 机器学习模型,特别是AdaCost,可以有效地识别GAD,支持临床决策和计算机辅助诊断系统的开发.
