探索在中风康复中使用可变自编码器对基于IMU的步态数据进行无监督的特征提取

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:

• 惯性测量单位 (IMU) 提供丰富的步态数据,但需要减少维度.
• 变化自编码器 (VAE) 可能可以从复杂的传感器数据中提取突出的信息.
• 评估VAE衍生的步态特征的心理特征对于临床翻译至关重要.

研究的目的:

• 为了研究VAE在减少IMU基础的步态数据的有效性,从中风后的个人到一个低维的潜空间.
• 与传统的步行速度测量相比,评估这些潜伏特征的可靠性,群体差异化和响应能力.

主要方法:

• 从中风后患者和健康对照中使用IMU收集了2分钟步行测试数据.
• 应用VAE将IMU数据细分为12个潜在特征.
• 评估测试-重新测试可靠性 (ICC),组间差异 (t-test) 和康复响应.

主要成果:

• 美国航空航空公司成功地以最小的误差重建了步态数据.
• 五个潜伏特征显示出良好的至优异的测试-重新测试可靠性.
• 在中风幸存者和对照者之间,有七个潜在特征显著区分,尽管响应性分析显示了模两可.

结论:

• VAE提供了一种有效的方法,可以将IMU步行数据减少到可靠的隐藏特征的简洁集合.
• 某些潜在的特征显示出有望区分健康个体和中风幸存者.
• 需要进一步的研究来验证这些VAE衍生的步态生物标志物的临床实用性和可解释性.