提高中风恢复评估:一种机器学习方法来对现实世界手部功能分析

科学领域:

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

背景情况:

• 卒中幸存者经常经历手部软弱,影响日常功能和生活质量.
• 对于上肢 (UL) 使用的传统加速度计指标缺乏临床歧视.
• 现有的方法难以捕捉中风后恢复的有意义差异.

研究的目的:

• 开发一种机器学习 (ML) 方法来对中风后的上肢性能进行分类.
• 为了使加速度计数据分析与临床验证的行动研究手臂测试 (ARAT) 成绩保持一致.
• 改进对现实世界UL功能的客观评估.

主要方法:

• 利用连续24小时的三轴加速度计数据进行UL运动分析.
• 应用了深度神经网络,直接从原始加速度计数据中提取特征.
• 根据ML学到的特征和ARAT分数,将参与者分为五个绩效组.

主要成果:

• 在与ARAT分数一致的UL绩效分类方面获得了97%的分类准确度.
• 基于ML的分组没有重叠,并且具有临床意义.
• 显著优于传统的人口和启发性特征模型 (66%的准确性).

结论:

• 一个新的ML框架从加速计数据准确地分类了临床相关的UL功能.
• 这种方法提供了更精确和客观的评估中风后的手动使用.
• 潜在的应用包括个性化康复规划和结果监测.