一种基于隐藏马尔科夫模型的新步态质量测量方法,用于描述病态步态

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:

• 神经系统疾病会导致异常的步行模式.
• 准确地描述步行偏差对于诊断和康复至关重要.
• 现有的步态分析方法在量化微妙障碍方面存在局限性.

研究的目的:

• 使用隐藏马尔科夫模型 (HMMs) 开发正常步行的统计模型.
• 量化步行质量和检测神经疾病患者的病理偏差.
• 与现有指标相比,评估拟议方法的有效性及其在康复中的潜力.

主要方法:

• 在平面中利用了角度膝盖动力学.
• 开发了一个基于隐藏马尔科夫模型的统计步态模型.
• 计算了日志概率得分,以评估步态质量和偏差.

主要成果:

• 基于HMM的模型有效量化了步态质量.
• 该方法准确地识别了患者群体的病态步行偏差.
• 它专门检测受影响的下肢在半患者.
• 在量化偏差方面表现优于步行变量得分和动态时间曲线.

结论:

• HMM方法提供了一种精细的方法来表征运动障碍.
• 这种方法显示了评估步行康复治疗影响的潜力.
• 它代表了改善神经疾病患者护理的有希望的工具.