在预测步行偏差指数时,应用异动力学动力测量数据,在中风患者中使用机器学习:一项横截面研究
Xiaolei Lu1, Chenye Qiao2, Hujun Wang1
1Department of Rehabilitation, Beijing Rehabilitation Hospital, Capital Medical University, Beijing 100144, China.
Sensors (Basel, Switzerland)
|November 27, 2024
概括
这项研究表明,机器学习可以使用来自传感器的肌肉强度数据预测中风患者的步态偏差指数 (GDI). 这提供了一种更简单的方法来跟踪康复进展.
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
- 数据科学数据科学数据科学
背景情况:
- 三维步态分析对于中风后半患者的康复至关重要.
- 传感器数据的复杂性阻碍了步态分析的临床解释.
- 步态偏差指数 (GDI) 简化了病态步态的量化.
研究的目的:
- 用传感器获得的异动力学肌肉强度数据和机器学习来预测半患者的GDI.
- 整合Biodex动力测量和Vicon运动捕捉系统数据,以进行增强的步态分析.
主要方法:
- 一项对150名中风后半患者的横截面研究.
- 收集的异动力学肌肉强度数据 (峰值扭矩,工作,功率等) 在各种角度速度下.
- 使用拉索回归,随机森林 (RF),支持向量回归 (SVR) 和BP神经网络模型进行预测并使用MSE,R2和MAE进行验证.
- 为了模型的可解释性,利用了夏普利添加式解释 (SHAP).
主要成果:
- 随机森林 (RF) 模型展示了优越的GDI预测性能 (R2=0.89,MSE=16.18,MAE=2.99).
- 通过SHAP分析确定的关键预测因素包括伸展肌肉在60°/s和120°/s的最大工作.
- 不同速度的肌肉强度指标对于行走康复评估至关重要.
结论:
- 集成传感器技术和机器学习为分析复杂的临床步态数据提供了强大的工具.
- 使用异动力学动力学数据进行GDI预测的新型简化模型有助于评估中风患者的康复进展.
- 这种方法在康复中具有更广泛的临床应用的巨大潜力.
