老年人和中风:一种机器学习方法来个性化步行康复
Elvira Maranesi1, Federico Barbarossa1, Leonardo Biscetti2
1Scientific Direction, IRCCS INRCA, Ancona, Italy.
Frontiers in aging
|June 9, 2025
概括
机器学习模型可以从步态分析中识别中风类型,优于传统方法. 这有助于为脑卒中幸存者开发个性化康复,以解决流动性问题.
科学领域:
- 神经学 神经学
- 生物力学 生物力学
- 康复科学 康复科学 康复科学
背景情况:
- 在全球范围内,中风是导致死亡和残疾的主要原因.
- 脑卒中后的步行障碍显著降低了幸存者的生活质量.
- 了解步态变化对于有效的康复至关重要.
研究的目的:
- 分析中风后的步态参数,与中风类型和受影响的大脑区域相关.
- 为了确定个性化康复策略的步态生物标志物.
- 评估机器学习在基于步态数据对中风类型的分类方面的有效性.
主要方法:
- 使用GaitRite系统对45名中风后患者的步态分析.
- 测量了39个时空步态参数.
- 机器学习算法的应用 (随机森林,SVM,KNN) 用于分类.
主要成果:
- 机器学习模型,特别是随机森林,根据步态变量准确地分类了中风类型.
- 随机森林实现了>85%的准确性,精度,回忆和F1分数.
- 基底质病变与长时间的双重支时间有关,表明特定的步态变化.
结论:
- 机器学习为从步态数据中识别中风类型提供了强大的工具,超越了传统的统计方法.
- 步行参数分析可以揭示损伤位置和特定运动缺陷之间的相关性.
- 这些发现支持将步态分析和ML整合到调整中风后康复计划中.
