为了使用每个集群的维度权重进行步行评估,向可解释的图形嵌入
Chris Lochhead1, Robert B Fisher1
1University of Edinburgh, Old College, South Bridge, Edinburgh EH8 9YL, UK.
Sensors (Basel, Switzerland)
|July 12, 2025
概括
本研究介绍了一种可解释的步态分析系统,使用图形嵌入来准确识别和描述步态病理. 这种新的方法增强了对人工智能的信任,用于家庭医疗保健应用.
科学领域:
- 生物力学 生物力学
- 机器学习 机器学习
- 医疗信息学 医疗信息学
背景情况:
- 步态分析系统正在得到改进,但它们在家庭医疗保健中的应用受到家庭医疗保健系统的限制.
- 黑盒子是一个黑盒子.
- 目前的机器学习模型的性质,阻碍了医疗保健专业人士的信任和采用.
研究的目的:
- 开发一个端到端的管道,用于创建可解释的步态病理评估系统.
- 解决在临床和家庭环境中用于步态分析的机器学习模型缺乏透明度的问题.
主要方法:
- 使用定制的时空图形卷积网络 (ST-GCN) 和每合主组件分析 (PCA) 来生成图形特征嵌入.
- 开发了一种新型的半监督权重函数,用于量化和排名病理描述的重要关节特征.
- 对于行走病理学分类,采用了K-means集群.
主要成果:
- 拟议的方法在三个数据集中实现了4.53%至16%的分类准确度改进,而不是技术状态.
- 该系统成功地识别和描述了14种不同的模拟步行病理,从到动力不良的步行.
- 生成的潜图嵌入能够准确和可解释的描述步行异常.
结论:
- 开发的系统为家庭步态评估应用提供了可行的解决方案.
- 它提供了准确和可解释的步态异常描述,而不需要预先标记的病理学数据.
- 这提高了人工智能驱动的步态分析在医疗保健中的实际实用性和可靠性.
