基于可穿戴设备的对比性学习模型用于对的评估.

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 客观地评估着氧症的严重程度,对于疾病的追踪和治疗的评估至关重要.
• 可穿戴式传感器为频繁的动评估提供了一个有希望的途径.
• 目前的可穿戴方法通常依赖于从主观临床尺度中获得的特征,限制了准确性和灵活性.

研究的目的:

• 引入一种基于对比学习的新型模型,用于使用可穿戴惯性数据来评估动力衰竭的严重程度.
• 开发一种方法,直接从运动严重程度差异中学习相关特征,减少临床尺度上的偏差.

主要方法:

• 在手指到鼻子任务中训练了一种对比式学习模型,该模型使用了来自87名动症患者和44名健康对照者的惯性数据.
• 利用双对对比损失函数来学习相对性性衰竭严重程度的表示.
• 通过下游回归和分类任务评估学到的特征.

主要成果:

• 学习特征与临床评分 (截面r=0.84,纵向r=0.68) 和高可靠性 (ICC=0.96) 有着强烈的关联.
• 该模型在区分心力衰竭和健康表型 (AUC=0.95) 中取得了高准确性.
• 超越了依赖临床得分衍生特征的现有方法.

结论:

• 这种对比模型提供了强大的性衰竭严重程度表示,而对临床尺度的依赖性较小.
• 这种方法提高了对抗性评估的客观性,可扩展性和频率.
• 潜在的显著提高患者监测和临床试验的效率在学研究.