使用机器人辅助中风康复来分类残留中风严重程度:机器学习方法

科学领域:

• 在康复科学中使用机器人和机器学习
• 神经康复工程 神经康复工程
• 临床生物力学 临床生物力学

背景情况:

• 脑卒中康复传统上是在临床环境中进行的,但越来越多的人倾向于在家进行技术综合康复.
• 这项研究通过结合机器人和机器学习来支持自主,家庭中风恢复.

研究的目的:

• 开发监督机器学习方法,使用家庭动力学数据对中风残留严重程度进行分类.
• 为了提高中风康复自主分类的准确性.

主要方法:

• 33名中风患者使用Motus Nova机器人进行家庭上下肢治疗,收集运动,辅助和活动数据.
• 数据被处理并与临床医生定义的中风严重程度标签配对 (没有ROM,低ROM,高ROM).
• 四个机器学习算法 (光梯度增强,额外树木分类器,深度前神经网络,物流回归) 被训练并使用80:20数据分割和10倍交叉验证进行评估.

主要成果:

• 光梯度增强 (LGB) 模型表现出卓越的性能,其96.70%的F1得分用于自主检测中风严重程度.
• 包含139个决策树的LGB模型显著超过了后勤回归 (55.82%),额外树分类器 (94.81%) 和深度前神经网络 (70.11%).

结论:

• 客观的康复数据与机器学习相结合,可以有效地分类残留中风严重程度.
• 经过训练的模型,利用会话总结统计数据,有可能实时集成到临床环境中,如门诊设施,以增强个性化的中风康复.