相关实验视频
Updated: Jan 17, 2026
07:24
Home-Based Monitor for Gait and Activity Analysis
Published on: August 8, 2019
7.2K
机器学习方法用于长期护理中的脆弱性检测,使用加速仪测量步态和日常体力活动:模型开发和验证研究
Xiaoping Zheng1, Ziwei Zeng1, Kimberley S van Schooten2,3
1Department of Sports Science and Physical Education, The Chinese University of Hong Kong, Hong Kong, China (Hong Kong).
JMIR aging
|September 15, 2025
概括
机器学习有效地使用可穿戴传感器数据识别长期护理中的脆弱性. 动态步态分析,包括可变性和不对称性,为改善检测和管理提供敏感的脆弱性指标.
科学领域:
- 老年学是一门学科.
- 生物医学工程 生物医学工程
- 医疗保健中的人工智能
背景情况:
- 在超过50%的长期护理 (LTC) 居民中,脆弱性很普遍,需要早期检测潜在的可逆性.
- 机器学习 (ML) 对社区环境中的脆弱性检测有希望,但其在LTC中的应用需要进一步调查.
- 动态步行特征可能提供比步行速度等传统措施更敏感的脆弱性指标.
研究的目的:
- 评估ML模型在识别LTC居民的脆弱性方面的有效性.
- 利用单个加速度计的步态和日常体力活动数据来检测脆弱性.
- 探索动态步态结果作为LTC敏感脆弱性标记物的潜力.
主要方法:
- 51名LTC居民的横截面分析,使用随机对照试验的基线数据.
- 通过FRAIL-NH尺度评估的脆弱状态.
- 在5米步行过程中收集的步行数据和每天的体力活动使用3D加速度计大约一周监测.
- 提取了34个动态和时空步行结果,3个身体活动变量和6个人口特征.
- 五个ML模型使用leave-one-out交叉验证进行训练;性能通过准确性和AUC进行评估.
- 用于结果解释性的可解释AI (XAI) 技术.
主要成果:
- 极端梯度增强模型以86.3%的精度和0.92.9的AUC实现了最高的性能.
- XAI分析表明,脆弱的个体表现出更可变,复杂和不对称的步态模式.
- 对于虚弱的关键步行指标包括更高的步伐长度变化,增加的样本和更高的步行对称度得分.
结论:
- 动态步行结果,特别是变化和不对称性,在LTC设置中比传统的时空测量更为敏感的脆弱性指标.
- 在加速度计数据上训练的ML模型显示出在LTC中准确检测脆弱性的巨大潜力.
- 这些发现可以为长期护理中脆弱性检测和管理的增强策略提供信息.
