使用可穿戴传感器融合和深度学习的自动UPDRS步态得分
Xiangzhi Liu1, Xiangliang Zhang1, Juan Li2
1The State Key Laboratory of Fluid Power and Mechatronic Systems, School of Mechanical Engineering, Zhejiang University, Hangzhou 310027, China.
Bioengineering (Basel, Switzerland)
|July 29, 2025
概括
这项研究引入了一个使用可穿戴传感器和深度学习来评估帕金森病 (PD) 步态的自动化系统. 新的框架准确地评分了统一帕金森病评分表 (UPDRS) 的水平,减少了临床医生的工作量,提高了客观性.
科学领域:
- 生物医学工程 生物医学工程
- 神经学 神经学
- 机器学习 机器学习
背景情况:
- 对帕金森病 (PD) 的定量评估对于有效管理至关重要.
- 目前的临床评估,如统一帕金森病评分表 (UPDRS),依赖于主观的手动评分,导致时间低效和评分者之间的变化.
研究的目的:
- 开发和验证使用可穿戴传感器数据和深度学习进行UPDRS步态计分的全自动化框架.
- 通过步态分析创建一个客观和有效的方法来评估PD严重程度.
主要方法:
- 将表面电肌图 (EMG) 信号和惯性测量单元 (IMU) 数据集成到单个深度学习模型中.
- 一个端到端的网络,有专门的分支机构 (诊断,评估,平衡) 和一个融合检测模块来模拟临床评估.
- 在21名PD患者和健康对照组中使用下肢EMG和部安装IMU进行验证.
主要成果:
- 自动化系统在UPDRS0-2级别实现了92.8%的平均分类准确度.
- 该方法证明了对象的最小努力和传感器设置要求.
- 与传统的UPDRS评估相比,观察到临床医生的工作量显著减少.
结论:
- 穿戴式传感器驱动的深度学习为PD步态评估提供了快速可靠的方法.
- 拟议的框架有可能在临床环境和家庭监测中得到广泛应用.
- 这项技术可以提高PD诊断,治疗和康复的客观性和效率.
