整合可穿戴传感器技术和机器学习以实现目标m-CTSIB平衡分数估计

科学领域:

• 生物力学 生物力学
• 可穿戴技术可穿戴技术
• 机器学习 机器学习

背景情况:

• 对于有跌倒和认知衰退风险的成年人来说,平衡评估至关重要.
• 目前的方法可能昂贵且难以获得.
• 需要客观和负担得起的平衡评估工具.

研究的目的:

• 利用可穿戴技术和机器学习开发一种客观,负担得起和可访问的平衡评估方法.
• 为了将传感器数据与经过修改的临床测试的感官相互作用在平衡 (m-CTSIB) 的得分相对应.
• 评估机器学习模型在预测平衡性能方面的有效性.

主要方法:

• 使用单个惯性测量单元 (IMU) 传感器收集腰部加速度计和陀螺仪数据.
• 从m-CTSIB测试中收集的地面真实数据,这些测试是在强力板上进行的.
• 采用XGBOOST机器学习算法进行数据分析.
• 实施了针对主体的交叉验证技术.

主要成果:

• 在加速度计数据和m-CTSIB分数之间实现了0.94的相关性.
• 在陀螺仪数据和m-CTSIB分数之间实现了0.90的相关性.
• 证明了在平衡评估方面具有强大的预测准确性.

结论:

• 可穿戴技术与机器学习相结合,为平衡评估提供了一种客观且负担得起的方法.
• 这种方法显示出远程监测和改善平衡障碍诊断的巨大潜力.
• 这些发现可以加强平衡问题的管理,改善成年人的生活质量和独立性.