基于智能手机的瞳孔测量使用机器学习来诊断与运动有关的脑震荡
Anthony J Maxin1,2, Bridget M Whelan3, Michael R Levitt1,4
1Department of Neurological Surgery, University of Washington, Seattle, WA 98195, USA.
Diagnostics (Basel, Switzerland)
|December 17, 2024
概括
智能手机瞳孔测量为诊断运动相关脑震荡 (SRC) 提供了一个客观的方法. 使用瞳孔光反射参数的机器学习模型在识别足球运动员中的SRC方面取得了很高的准确性.
科学领域:
- 神经科学是一个神经科学.
- 运动医学 运动医学
- 生物医学工程 生物医学工程
背景情况:
- 定量瞳孔测量作为急性体育相关脑震荡 (SRC) 的客观诊断工具正在被探索.
- 目前的脑震荡诊断依赖于主观评估,强调需要客观措施.
研究的目的:
- 为了评估基于智能手机的定量瞳孔计的诊断准确度,用于急性SRC诊断.
- 确定瞳孔光反射 (PLR) 参数的最佳组合,以区分脑震荡和非脑震荡的运动员.
主要方法:
- 一级大学足球运动员接受了基线瞳孔测量,通过智能手机应用测量了7个PLR参数.
- 在SRC诊断时重复进行瞳孔测量,并使用机器学习分类模型分析数据.
- 合成少数群体过量抽样技术被用来解决数据集中的阶级不平衡.
主要成果:
- 一个随机森林模型,使用延迟,最大直径,最小直径,平均收缩速度和最大收缩速度,实现了91%的整体准确性,98%的灵敏性和84.2%的特异性.
- 在过量采样 (k-最近邻居) 之前,表现最好的模型具有82%的准确性,40%的灵敏度和87%的特异性.
- 优化的模型显示了0.91的曲线下面积 (AUC) 和91.6%的F1得分.
结论:
- 基于智能手机的学生计量,当与机器学习集成时,显示出在足球中快速和客观的SRC诊断的希望.
- 这项技术有可能提高运动员脑震荡评估的准确性和效率.
