自动预测从可穿戴传感器的项目级阿拉特分数

科学领域:

• 神经科学是一个神经科学.
• 康复工程 康复工程
• 生物医学信号处理

背景情况:

• 对神经康复的日益增长的需求需要高效的临床过程.
• 像行动研究手臂测试 (ARAT) 这样的临床评估对于跟踪治疗有效性和量身定制疗法至关重要.
• 自动化评估可以提高神经康复的效率和可访问性.

研究的目的:

• 使用可穿戴式运动传感器数据开发行动研究手臂测试 (ARAT) 的得分预测系统.
• 预测ARAT的个人移动项目得分,以促进自动得分.
• 探索使用机器学习进行客观上肢功能评估的可行性.

主要方法:

• 利用了来自5个可穿戴运动传感器的时间序列数据.
• 开发了一种通用分类模型,在100个ARAT测试中训练了各种神经系统疾病.
• 对中风和帕金森病的特定疾病模型进行了研究.

主要成果:

• 在一般模型中,在密切相关的运动项目中实现了80%的平均平衡精度 (范围:59%-91%).
• 特定于疾病的模型没有提高整体准确性,但提供了信息性的特征地图.
• 证明了在项目层面预测ARAT分数的可行性.

结论:

• 开发的系统显示了行动研究手臂测试的自动评分的希望.
• 这项技术可以支持临床决策,并提高神经康复的效率.
• 进一步的研究可以在这些发现的基础上建立先进的临床决策支持系统.