人工智能工具用于在康复期间预测神经运动障碍患者的参与

科学领域:

• 医疗保健中的机器人和人工智能
• 生物医学信号处理
• 康复工程 康复工程 康复工程

背景情况:

• 机器人辅助步行康复 (RAGR) 有助于神经可塑性,但可能导致无聊,影响结果.
• 使用生理数据和主观反进行定量参与评估对于有效的RAGR至关重要.
• 这项研究探讨了AI在预测RAGR期间患者参与中的作用.

研究的目的:

• 评估人工智能算法在RAGR期间预测患者参与水平方面的表现.
• 为了研究结合心率变化 (HRV) 和皮电活动 (EDA) 特征用于参与预测的实用性.
• 将不同的AI分类器和数据准备技术进行比较,以优化参与预测模型.

主要方法:

• 46名患有神经运动障碍的参与者 (儿科和成人) 接受了RAGR疗程.
• 通过问卷收集患者和治疗师对参与的看法,创建自我感知和治疗师感知的目标.
• 使用Empatica E4收集了生理数据 (HRV,EDA),使用5个AI分类器提取和分析了33个特征.
• 测试了包括特征减少和数据增强在内的数据集准备技术.

主要成果:

• 结合HRV和EDA功能,提供了交互的协同表现.
• 数据增强始终提高了分类器的性能,而功能减少没有提供任何优势.
• 支持向量机和极端梯度提升模型在预测参与度方面实现了高准确性 (95.6%和95.4%F1分数).

结论:

• 利用心理生理学数据的AI模型对于预测康复参与是有效的.
• 这些模型可以促进个性化康复策略,改善临床结果.
• 这些发现支持人工智能的实际应用,以提高RAGR的有效性.