使用基于传感器的上肢功能测试来识别脆弱性:一种深度学习方法
Mehran Asghari1, Hossein Ehsani1, Nima Toosizadeh2,3,4
1Department of Rehabilitation and Movement Sciences, School of Health Professions, Rutgers Health, Rutgers University, Newark, NJ, USA.
Scientific reports
|April 22, 2025
概括
这项研究通过将生物力学数据与深度学习相结合,改善了老年人的脆弱性预测. 肌肉共同收缩是关键指标,LSTM模型显示出识别脆弱性的最高准确性.
科学领域:
- 老年学和计算健康科学 医疗科学
- 生物机械工程和人工智能
背景情况:
- 人口老龄化需要改进的脆弱性评估工具.
- 目前的方法如Fried表型和Rockwood得分有局限性.
- 有效和准确的脆弱性预测对于预防不良健康结果至关重要.
研究的目的:
- 为了提高老年人的脆弱预测准确度.
- 研究生物力学和深度学习结合方法的实用性.
- 为了确定脆弱的关键生物力学预测因素.
主要方法:
- 招募了312名老年人 (非脆弱,脆弱前,脆弱).
- 使用弗里德指数,上肢功能 (UEF) 测试和肌肉力量计算来评估脆弱性.
- 使用机器学习 (逻辑回归,SVM) 和深度学习 (LSTM) 模型.
主要成果:
- 结合肌肉模型参数显著改善了脆弱性预测.
- LSTM模型获得了最高的准确性 (74%),超过了SVM (67%) 和回归 (66%).
- 肌肉共同收缩是关键预测因素,在脆弱个体中更高.
结论:
- 将UEF任务与深度学习相结合,可以提供优异的脆弱性预测.
- 这种方法有可能成为一个强大而有效的临床工具.
- 需要在不同的群体中进一步验证以确认可通用性.
