加速度计和能力-性能差距:在中风后的上肢运动损伤评估中的案例系列报告

科学领域:

• 神经科学是一个神经科学.
• 康复医学 康复医学 康复医学
• 生物医学工程 生物医学工程

背景情况:

• 慢性中风往往导致手部功能使用受损.
• 监测现实世界的手部使用对于有效的康复至关重要.
• 现有的评估手功能的方法在生态有效性上可能受到限制.

研究的目的:

• 调查机器学习 (ML) 和卷积神经网络 (CNN) 模型在预测现实世界功能性手部使用中的准确性.
• 评估在慢性中风患者中使用实验室训练模型监测手部功能的可行性.
• 识别学会不使用的模式及其与损伤严重程度的相关性.

主要方法:

• 一个涉及4名患有慢性中风的参与者的案例系列.
• 在实验室和家庭环境中收集手腕加速度计数据.
• 同时录制视频并使用FAABOS尺度作为基本真相进行对注释.
• 在实验室数据上对Random Forest ML和CNN模型进行培训和评估,以预测在家中使用手的情况.

主要成果:

• 观察到一个能力-绩效差距,参与者在家里使用受损的手少于在实验室.
• 随机森林ML模型在将家庭手工使用对轻度和重度损伤进行分类时获得了高精度 (0.80-0.90).
• 适度损伤显示较低的分类准确度 (0.62) 在家用手.
• 美国有线电视新闻网 (CNN) 模型的准确性与随机森林分类器相当.

结论:

• 实验室训练的ML模型显示了监测中风幸存者的真实世界手动使用的可行性.
• 这些模型可以帮助识别学习的非使用的新兴模式,使及时干预成为可能.
• 这种方法有望加强门诊中风康复,促进功能恢复.