通过新型数据增强深度学习模型和最小可穿戴惯性传感器在患有和没有神经退行性疾病的个体中估计步幅

科学领域:

• 生物力学 生物力学
• 神经学 神经学
• 机器学习 机器学习

背景情况:

• 步骤宽度对于步行稳定,平衡控制和降低跌倒风险至关重要.
• 目前的步骤宽度估计方法 (固定摄像头,完整的IMU套装) 由于成本和时间,通常不适合临床使用.
• 临床评估和康复需要准确和便携式监测.

研究的目的:

• 开发和验证一种新的数据增强深度学习模型,用于估计步幅.
• 在患有和没有神经退行性疾病 (Spinocerebellar ataxia type 3) 的个体中评估模型的准确性.
• 评估一组最小的可穿戴惯性测量单元 (IMU) 对此任务的实用性.

主要方法:

• 一个数据增强的深度学习模型是使用可穿戴IMU放置在腿部和骨盆的数据开发的.
• 十二名患有3型脊髓小脑动症的患者和十七名健康人参与了地面和跑步机行走试验.
• 通过将估计的步幅与实际测量进行比较来评估模型的性能,重点是平均绝对误差.

主要成果:

• 该模型实现了神经退行性组的平均绝对误差为3.3 ± 0.7厘米,健康组的平均误差为2.9 ± 0.5厘米,两者都低于临床重要差异的最小值.
• 各组的步幅变化误差为1.5厘米和0.8厘米.
• 数据增强显著提高了神经退行症组的准确性,这可能是由于它们更大的动态变异性.

结论:

• 拟议的深度学习模型使得临床上具有意义和准确的便携式步骤宽度监测.
• 这项技术可以使患有或没有神经退行性疾病的个人受益,有助于康复培训和动态平衡评估.
• 最小的可穿戴IMU与深度学习相结合,为各种环境中的步态分析提供了实用解决方案.