使用随机森林和k-means集群的单边腿部截肢患者的步态分类
Yufan He1, Mingyu Hu1, Alpha C H Lai1
1Department of Biomedical Engineering, Faculty of Engineering, The Hong Kong Polytechnic University, Hong Kong, China.
Journal of biomechanics
|August 21, 2025
概括
这项研究使用随机森林和k-means集群来分类单侧转肢截肢 (uTFA) 患者的步态模式. 结果显示出不同的步行群体,为改善流动性提供有针对性的康复.
科学领域:
- 生物力学
- 康复工程
- 在医疗保健中的数据科学
背景情况:
- 在单侧转骨截肢 (uTFA) 中的步态分析往往缺乏科学特征选择以进行集群.
- 传统的方法依赖于经验知识,限制了对步态的客观分类.
研究的目的:
- 使用随机森林和k-means集群对UTFA个体的步态进行分类.
- 确定关键的步行参数,以区分无障碍者和非残疾人.
- 在 uTFA 群体中定义不同的步态集群.
主要方法:
- 从使用仪器跑步机的UTFA个体和对照组收集的时空数据和垂直地面反应力 (vGRF).
- 使用随机森林进行特征重要性分析,并对步态模式进行分类.
- 应用了轮得分和肘部方法来确定最佳的集群数量.
主要成果:
- 随机森林发现摇摆阶段和单肢支持续时间对称性对于区分UTFA与非残疾人至关重要.
- 基于对称性,单肢支持续时间,步骤长度和节奏的三种不同的步态.
- 集群1:对称度最低,最短的假肢单肢支;集群2:对称度最高,最长的假肢单肢支,完整的步骤长度;集群3:中等对称度,最高的节奏.
结论:
- 使用机器学习技术可以客观地分类UTFA个体的步行模式.
- 在UTFA群体中存在不同的步态,其特点是不同程度的对称性和时间参数.
- 专注于特定步行参数的定制康复 (例如,单肢支,步骤长度,节奏) 可以提高TFA患者的步行表现.
