在使用深度学习治疗肉毒素治疗后,基于阶段的步态预测.

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 神经疾病中的行走障碍通常涉及性,可以用A型肉毒素 (BTX-A) 注射治疗.
• 优化BTX-A治疗需要准确预测治疗后的结果,平衡好处和风险.
• 预测运动变化对于有效的步态康复至关重要.

研究的目的:

• 开发和评估一种新的深度学习方法,用于在BTX-A治疗后预测膝盖和脚运动.
• 评估将预处理动力学和详细的治疗信息纳入预测模型的有效性.
• 为了比较不同的深度学习架构,以确定它们在预测治疗后的步态动力学方面的准确性.

主要方法:

• 采用了双向长短期记忆 (Bi-LSTM) 深度学习架构.
• 设计了两种模型:一种是将处理数据集成到隐藏层中,另一种是使用封闭机制.
• 这些模型使用治疗前动力学和特定的BTX-A治疗数据进行训练和验证,分析注射肌肉之间的相互作用.

主要成果:

• 带有关门机制的深度学习模型实现了卓越的预测准确性.
• 膝盖动力学的平均预测根平均平方误差为2.99° (R2 = 0.85).
• 脚动力学的平均预测根平均平方误差为2.21° (R2 = 0.84).

结论:

• 拟议的Bi-LSTM方法,特别是关门机制,明显优于预测BTX-A后步态动力学的现有方法.
• 这种新的方法在预测膝盖和脚运动方面提供了更高的准确性,有助于个性化的性管理.
• 这些发现支持使用先进的人工智能来优化神经性步行障碍治疗干预措施.