使用关节角度轨迹的中风后患者病态步行模式的深度时聚类:一个横截面研究
Gyeongmin Kim1, Hyungtai Kim2, Yun-Hee Kim3,4
1Department of Intelligent Robotics, Sungkyunkwan University, Suwon 16419, Republic of Korea.
Bioengineering (Basel, Switzerland)
|January 24, 2025
概括
这项研究引入了一种端到端的深度学习方法,用于分析中风后半的步态模式. 它在没有手动特征提取的情况下准确地聚合了步态数据,改进了康复洞察力.
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
- 医疗保健中的人工智能
背景情况:
- 在中风后半中,步行康复对于运动和生活质量至关重要.
- 传统的步态分析依赖于手动的特征提取,导致不准确和偏见.
- 了解个人步行模式对于有效的康复策略至关重要.
研究的目的:
- 开发和验证一个端到端的深度学习方法,用于自主步行模式集群在中风后半患者.
- 为了尽量减少人为干预步行特征的提取和分析.
- 用联合角度轨迹的动力学数据来识别不同的步态集群.
主要方法:
- 一项涉及74名中风后亚急性半患者的横截面研究.
- 在行走周期期间,利用深度时聚类在平面关节角度和角度速度轨迹 (部,膝盖,脚) 上.
- 采用端到端优化,同时进行特征提取和聚类,并进行量身定制的超参数调整.
主要成果:
- 确定了六个最佳步态集群,其轮得分为0.2831,优于其他集群算法.
- 证明了深度学习方法在集群步态模式的有效性,而无需手动特征工程.
- 对每个已识别的集群的空间时空,运动和临床特征进行了详细的统计分析.
结论:
- 端到端的深度学习为中风后半症的步态模式分析提供了显著的性能改善.
- 这种自动化方法减少了偏差,并提高了与手动特征提取方法相比的准确性.
- 未来的研究应该纳入多平面数据和其他生物机械因素,以便进行更全面的步态分析.
