基于多模式数据的交叉速度和交叉姿势行走阶段划分
概括
这项研究开发了通用步行阶段分区模型,用于步行异常的患者. 随机森林 (RF) 分类器和电肌图 (EMG) 数据显示了康复的最佳性能.
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
- 临床生物力学 临床生物力学
背景情况:
- 步行异常是神经系统疾病 (如中风和帕金森病) 中常见的运动症状.
- 准确的步行阶段识别对于有效的康复至关重要,但由于患者的速度和姿势变化,具有挑战性.
- 对于适用于各种条件的强大的步行阶段分区模型的需求至关重要.
研究的目的:
- 开发通用模型,用于行走阶段划分,在不同步行速度和身体姿势中有效.
- 评估各种分类器和数据模式的性能,用于跨条件行走阶段划分.
- 为了比较人体内部与人体间模式的有效性,用于步态相位分析.
主要方法:
- 多模态步态数据 (包括电肌图 - EMG) 从不同速度和姿势的步态异常患者中收集.
- 训练了多个机器学习分类器,包括随机森林 (RF),以构建交叉条件步态阶段分区模型.
- 模型的性能被系统地使用F1得分指标来评估,无论是在主体内还是主体间的场景下.
主要成果:
- 随机森林 (RF) 分类器以91.58%的F1得分获得了最高的性能.
- 电肌图 (EMG) 数据显示在评估的模式中表现优异,达到89.15%的F1得分.
- 跨主体模型表现出更有利的结果,而不是一般化步行阶段分区的内主体模型.
结论:
- 可以有效地使用多式联络数据,RF和EMG信号等分类器开发通用步态相区分模型.
- 这些模型显示出适用于各种速度和姿势的承诺,有助于步行异常患者的康复.
- 这些发现支持开发可适应的临床工具,以改善步行康复结果.
