基于可穿戴传感器和机器学习的融合,在隐藏的脑小血管疾病中预测掉落风险

科学领域:

• 生物医学工程 生物医学工程
• 神经学 神经学
• 数据科学数据科学数据科学

背景情况:

• 对于患有脑小血管疾病 (CSVD) 的患者,特别是那些有步行障碍的患者,跌倒风险预测至关重要.
• 早期,无症状的CSVD阶段对跌倒风险评估的研究有限.
• 可穿戴式传感器提供了一种客观的方法,用于预测跌倒风险的步态分析.

研究的目的:

• 整合可穿戴传感器数据和机器学习,以预测隐藏的CSVD患者的跌倒风险.
• 开发和比较使用步态和电肌学特征的多个预测模型.
• 通过结合基线和成像数据来优化跌倒风险预测.

主要方法:

• 使用软机器人外骨架 (SRE) 和通过sEMG的电肌图学特征来获得步行特征.
• 使用了支持矢量机 (SVM),随机森林 (RF),梯度增强决策树 (GBDT) 和神经网络 (NN) 算法.
• 模型是使用步态单独,sEMG单独和组合数据集开发的,并通过基线和成像标记器进一步优化.

主要成果:

• 在28个特征中,ANOVA确定了10个重要指标.
• 使用集成的Gait和sEMG数据的SVM模型实现了卓越的性能.
• 该模型显示高AUC为0.986,灵敏度为0.909,特异性为0.923.

结论:

• 步行特征,电肌图学特征,基线数据和成像标志物对于CSVD中跌倒风险预测至关重要.
• 集成这些功能的基于SVM的模型为早期跌倒风险检测提供了有价值的工具.
• 这种模型可以增强临床决策和改善CSVD患者的预后.