使用雷达传感器和机器学习进行神经发育障碍高风险婴儿的自主查

科学领域:

• 生物医学工程 生物医学工程
• 新生儿科学 新生儿科学
• 机器学习 机器学习

背景情况:

• 神经发育障碍 (NDIs) 是早产婴儿的关键长期问题.
• 早期识别高风险婴儿对于及时干预至关重要,但仍然具有挑战性.
• 基于传感器的自主选提供了一个有希望的,但研究不足的解决方案.

研究的目的:

• 开发和验证一种基于雷达的新型频率调制连续波 (FMCW) 机器学习 (ML) 系统,用于早期预测婴儿NDI风险.
• 引入一个新的指数,神经风险性 (NRA),以根据婴儿运动模式量化NDI风险.

主要方法:

• 使用FMCW雷达构建了一个婴儿运动的3D范围-角度-时间数据立方体.
• 使用ML识别了不对称的运动和检测到异常运动 (狭窄同步的一般运动,CSGMs).
• 根据不对称运动和CSGM的频率计算了神经风险性 (NRA) 指数.

主要成果:

• 这种基于雷达的系统成功地预测了神经发育不良结果的高风险婴儿.
• 神经风险性 (NRA) 评分与临床评估的神经发育结果相关.
• 证明了拟议的查方法的临床可行性和实用性.

结论:

• 新型FMCW雷达和ML系统为婴儿早期NDI查提供了可行和有效的方法.
• 神经风险性指数 (NRA) 提供了一种可量化的NDI风险指标.
• 这项技术有可能显著改善高风险婴儿的早期干预.