基于人工智能的痴呆症严重程度分类使用步态分析
Gangmin Moon1, Jaesung Cho2, Hojin Choi3
1Department of Rehabilitation Medicine, Hanyang University Guri Hospital, 153, Gyeongchun-ro, Guri-si 11923, Republic of Korea.
Sensors (Basel, Switzerland)
|October 16, 2025
概括
人工智能 (AI) 和机器学习 (ML) 可以使用步态分析对痴呆症严重程度进行分类. 这些人工智能方法有效地处理复杂的数据,改进了痴呆症诊断的传统统计方法.
科学领域:
- 计算神经科学是一种计算神经科学.
- 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:
- 由于复杂的,高维度的步态数据,痴呆症严重程度的分类具有挑战性.
- 传统的统计方法可能无法在步态分析中捕捉微妙的模式.
- 人工智能 (AI) 和机器学习 (ML) 为复杂数据分析提供了潜在的解决方案.
研究的目的:
- 通过步态分析来探索人工智能在分类痴呆症严重性的实用性.
- 检查ML如何解决这一领域传统统计方法的局限性.
- 用ML技术识别痴呆症严重程度分类的关键步态特征.
主要方法:
- 利用来自34名轻度认知障碍 (MCI),25名轻度痴呆,26名中度痴呆患者和54名健康对照者的步态分析数据.
- 使用支持矢量机器 (SVM) 分类器进行痴呆症严重程度分类.
- 应用机器学习技术,包括主要组件分析 (PCA) 和基于梯度的特征选择,用于缩小维度和特征识别.
主要成果:
- 机器学习有效地识别了与痴呆症严重程度相关的关键步行特征.
- 机器学习技术成功地处理了高维步态数据,补充了传统的统计分析.
- 基于人工智能的工具在发现暗示痴呆症严重程度的微妙步行模式方面表现出有希望.
结论:
- 人工智能和机器学习在使用步态分析数据对痴呆症严重程度的分类方面显示出显著的实用性.
- 机器学习方法可以克服传统统计学在分析复杂,高维数据集方面的局限性.
- 这些发现支持开发先进的AI驱动的痴呆症诊断模型.


