在中风康复中基于机器学习的上肢功能的估计,使用身上的惯性传感器

科学领域:

• 康复医学 康复医学 康复医学
• 生物医学工程 生物医学工程
• 医疗保健中的机器学习

背景情况:

• 脑卒中是导致残疾的主要原因,特别是影响上肢 (UE) 功能.
• 目前的临床评估,如行动研究手臂测试 (ARAT) 是至关重要的,但资源密集型.
• 需要可访问,高效的方法来跟踪患者的康复和量身定制的干预措施.

研究的目的:

• 开发和验证一种机器学习模型,用于使用可穿戴惯性传感器估计ARAT分数.
• 减少评估中风幸存者的UE功能所需的时间和专业知识.
• 允许更频繁和客观地监测康复进展情况.

主要方法:

• 一个机器学习模型使用ActiGraph可穿戴传感器的数据被训练,这些传感器被放置在23名慢性中风患者的手腕和腰部.
• 该模型根据一组最小的UE任务预测了ARAT总得分,从每个子测试中选择一个项目 (抓取,抓取,,总体运动).
• 嵌套交叉验证用于优化项目选择,功能选择和模型超参数.

主要成果:

• 优化的机器学习模型准确地估计了ARAT总分数,平均绝对误差为3.81分.
• 该模型实现了高的确定系数 (0.93),表明了强大的预测性能.
• 沙普利添加式解释 (SHAP) 确定了关键的传感器衍生特征,这些特征有助于预测ARAT得分.

结论:

• 穿戴式传感器数据与机器学习相结合,为在中风康复中客观和高效的UE功能评估提供了一个有希望的方法.
• 这项技术可以促进在整个护理连续过程中更频繁地监测进展.
• 开发的模型有可能减少临床医生的工作量,并提高标准化评估的可访问性.