预测脑麻,中风和老年人的稳定状态代谢功率在带有或没有辅助设备的行走期间
Karl Harshe1, Benjamin C Conner2, Zachary F Lerner3,4
1Department of Mechanical Engineering, Northern Arizona University, Flagstaff, AZ, 86001, USA.
Annals of biomedical engineering
|September 8, 2024
概括
一个新的机器学习模型准确地预测了具有和没有移动障碍的个体在行走时的能量消耗. 这一进步可以更快地优化动力辅助设备,以改善身体活动.
科学领域:
- 生物医学工程 生物医学工程
- 康复技术 康复技术 康复技术
- 医疗保健中的机器学习
背景情况:
- 步行障碍的人面临高昂的能源成本,限制了身体活动.
- 驱动式外骨可以提高机动性,但需要有效的优化.
- 传统的能源支出测量是耗时的,并不总是可行的.
研究的目的:
- 为了增强一个预测模型来估计稳定状态代谢率.
- 为了从短 (2分钟) 的行走试验中进行准确的预测.
- 包括多样化的人口 (有/没有行走障碍) 和条件 (地形,设备使用).
主要方法:
- 使用200多个行走试验训练了一种线性机器学习模型.
- 纳入了特定条件的因素 (跑步机,斜坡,户外) 和参与者的人口统计数据 (体重,损伤状态).
- 利用2分钟的代谢数据进行预测.
主要成果:
- 实现了4.71 ±2.7%的平稳状态代谢率的平均预测准确度.
- 在各种行走条件,患者群体和地形中证明了准确性.
- 通过辅助设备验证了模型的有效性.
结论:
- 开发的模型促进了可穿戴辅助设备的循环优化.
- 能提高步行能力有限的个人的流动性和体育活动.
- 一个免费可用的 MATLAB 应用程序支持更广泛的研究应用.
