基于深度学习的脑麻中半和双的分类,使用姿势控制分析
Javiera T Arias Valdivia1, Valeska Gatica Rojas2, César A Astudillo3
1Doctorado en Sistemas de Ingeniería, Faculty of Engineering, Universidad de Talca, Curicó, 3340000, Chile. javiera.arias@utalca.cl.
Scientific reports
|March 15, 2025
概括
这项研究使用循环神经网络 (RNN) 来分类脑 (CP) 类型,如半和双,使用力数据. 双向门式反复单元 (BiGRU) 和长期短期记忆 (LSTM) 模型实现了76.43%的准确性.
科学领域:
- 神经学 神经学
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 脑 (CP) 诊断,特别是半和双,由于复杂的运动控制问题而具有挑战性.
- 准确的分类对于有效的,个性化的治疗干预至关重要.
研究的目的:
- 开发和优化循环神经网络 (RNN) 模型,用于分类脑的亚型.
- 通过时间序列力数据分析来提高诊断准确度.
主要方法:
- 利用AMTI平台收集时间序列力数据.
- 应用循环神经网络 (RNN),包括双向门循环单元 (BiGRU) 和长短期记忆 (LSTM) 模型.
- 采用自动参数优化和数据增强用于模型改进.
主要成果:
- BiGRU-LSTM模型实现了最高的分类准确率,为76.43%.
- 与传统方法相比,拟议的RNN模型显示出更高的性能.
- 在不同的视觉条件下,观察到姿势稳定性的显著变化.
结论:
- 循环神经网络提供了一个有希望的,准确的工具来分类脑的亚型.
- 优化的RNN模型可以帮助临床诊断,并为量身定制的治疗策略提供信息.
- 在不同的视觉输入下了解姿势稳定性是个性化CP管理的关键.
