一个基于机器学习和模糊逻辑的创新模型,用于跟踪中风患者的下肢炼

科学领域:

• 生物医学工程 生物医学工程
• 医疗保健中的人工智能
• 康复医学 康复医学 康复医学

背景情况:

• 脑卒中康复对于功能恢复至关重要,但由于专业人员的短缺和传统方法的局限性,它面临着挑战.
• 当前的康复技术往往耗时,缺乏客观,可量化的进度跟踪.
• 严重的中风后残疾需要创新和高效的康复解决方案.

研究的目的:

• 开发和评估用于中风患者下肢康复的创新机器学习 (ML) 方法.
• 整合模糊逻辑和K-近邻 (K-NN) 模型,以加强评估和反.
• 通过技术提高中风康复的准确性,效率和可访问性.

主要方法:

• 开发了一个混合模型,结合了基于规则的模糊逻辑系统和K-NN机器学习模型.
• 模糊逻辑组件使用基于相机的Fugl-Meyer评估来评估下肢角度和运动范围 (ROM).
• 该K-NN模型评估了运动准确性,使用来自30名理疗师的训练数据.

主要成果:

• 混合式ML模型实现了低角度测量误差率[公式:参见文本].
• 对于特定的部和膝盖练习,K-NN模型展示了[公式:参见文本],[公式:参见文本]和[公式:参见文本]的高准确率.
• 该系统提供了实时反,重复计数和ROM的图形可视化,并得到了临床医生的积极评价.

结论:

• 提出的基于ML的模型在中风下肢康复中提供了显著的进步.
• 该系统提高了准确性,提供实时进度评估,并支持远程康复应用程序.
• 这种创新方法有可能改善患者的治疗结果,并解决康复专业人员的短缺问题.