一个基于深度学习的框架,面向通过惯性传感器识别病态步态.

科学领域:

• 生物医学工程 生物医学工程
• 神经学 神经学
• 计算机科学 计算机科学

背景情况:

• 异常的步行模式可能是由于运动障碍或神经疾病造成的,这可能会造成安全风险.
• 病态步态识别 (PGR) 旨在区分各种行走模式.
• 在健康个体中模拟步行障碍为收集实际的病理数据进行研究提供了切实可行的替代方案.

研究的目的:

• 开发和评估基于深度学习的工作流程,以使用惯性数据识别正常和病态步态.
• 评估在健康受试者中使用模拟步行障碍在PGR模型培训中的可行性.
• 探索PGR在帮助早期检测和康复跟踪方面的潜力.

主要方法:

• 使用卷积神经网络 (CNN) 的工作流被设计用于步态分析.
• 从19名健康人群中收集了惯性数据,这些人表现出模拟的异常行走模式.
• 美国有线电视新闻网的模型被训练来分类正常和病态的运动行为.

主要成果:

• 开发的系统在区分正常步行和病态步行方面表现出有希望的准确性.
• 该研究强调了拟议方法在计算时间方面的效率.
• 初步结果表明,在临床环境中有可能实时应用.

结论:

• 可行性研究表明,深度学习模型可以有效地识别模拟的病态步态.
• 该方法为PGR研究提供了一种可行的方法,可能减少实验时间和样本大小要求.
• 这些发现支持未来对实际病态步行数据的验证,用于早期检测和康复监测的临床应用.