使用IMU传感器和机器学习进行基于解剖学的脊柱姿势评估

科学领域:

• 生物医学工程 生物医学工程
• 运动学 运动学
• 数据科学数据科学数据科学

背景情况:

• 姿势分析对于识别健康风险至关重要.
• 惯性测量单位 (IMU) 提供了一个客观姿势评估的潜在方法.
• 机器学习 (ML) 可以分析复杂的数据集来预测与健康相关的结果.

研究的目的:

• 通过基于IMU的角度估计来定义姿势的代理风险标签.
• 调查这些姿势风险标签的可预测性,从人口统计,人体测量和生活方式变量.
• 探索ML算法在预测姿势偏差方面的应用.

主要方法:

• 三十名健康的年轻成年人 (18-25岁) 参加了.
• 在关键的脊椎水平 (C1,C7,T5,T12,L5) 放置IMU传感器.
• 随机森林 (RF) 和人工神经网络 (ANN) 用于预测诸如宫主症,胸部形和腰部主症等风险.

主要成果:

• 错误的姿势 (办公桌工作,使用电话) 与氏病和氏病的风险增加有关.
• 较高的每日体育活动与减少的姿势偏差有关.
• ML模型在0.55-0.82之间实现了平衡的准确性,RF在宫主风险方面表现强.

结论:

• 基于IMU的姿势角度估计可以识别与姿势相关的风险类别.
• ML模型显示了姿势风险和个人变量之间的预测关系.
• 研究结果表明,IMU衍生标签在预防性健康策略中具有潜力,尽管需要进一步研究.