从可穿戴传感器数据来检测婴儿的神经运动发育障碍的算法方法

科学领域:

• 发育儿科 发育儿科
• 医疗保健中的机器学习
• 可穿戴式传感器技术

背景情况:

• 招募婴儿进行健康研究是一项挑战,限制了传统机器学习 (ML) 的数据集大小.
• 以前对婴儿有限运动数据的研究引发了对ML模型性能可靠性的担忧.
• 婴儿发育轨迹需要可靠的方法来早期识别和预测.

研究的目的:

• 使用运动数据,区分发育障碍风险 (AR) 的婴儿与典型发育 (TD) 的婴儿.
• 使用可穿戴传感器数据,预测24个月处于危险阶段的婴儿的发育结果.
• 为小型,敏感的儿科数据集开发强大的分析方法.

主要方法:

• 对TD婴儿 (N=12) 和AR婴儿 (N=24) 全天运动记录的分析.
• 引入一种新的算法方法,从原始运动信号中提取"图案".
• 利用动机丰度作为分化群体和预测结果的指标.

主要成果:

• 动机分析有效地区分了AR婴儿和TD婴儿.
• 该方法证明了预测RA婴儿发育结果的能力.
• 新动机提取证明可靠,即使在有限的数据集大小.

结论:

• 基于动机的分析提供了一个有希望的,可靠的方法,用于婴儿发育研究有限的数据.
• 这种方法增强了可穿戴技术在早期识别发育风险方面的潜力.
• 未来的研究可以利用动机分析进行更大规模的儿科健康研究.