通过使用可穿戴IMU的分层可解释模型进行个性化中风康复

科学领域:

• 生物医学工程 生物医学工程
• 康复科学 康复科学 康复科学
• 数据科学数据科学数据科学

背景情况:

• 通过Fugl-Meyer上肢评估 (FMA-UE) 准确评估中风后上肢损伤,对于有效的康复至关重要.
• 目前临床FMA-UE的使用是耗时且不常见的.
• 现有的使用可穿戴传感器的自动评分方法往往缺乏个性化和临床解释性.

研究的目的:

• 开发和验证FMA-UE自动评分的新型框架,该框架集成了患者分层和可解释的建模.
• 提高远程中风损伤评估的准确性和临床相关性.
• 为个性化中风康复规划提供透明的决策支持.

主要方法:

• 在上肢任务中利用了手腕和干部上的惯性测量单位 (IMU) 的运动特征.
• 采用K-means集群,将中风患者分为"轻度"和"中度"损伤子组.
• 为每个子组开发了一个集群特定的通用添加模型 (CGAM) 来预测FMA-UE分数,确保模型的透明度.

主要成果:

• CGAM框架实现了低估计误差 (RMSE = 5.79,R2 = 0.75),超过了一个非分层的全球模型 (RMSE = 6.78,R2 = 0.66).
• 与标准回归技术相比,该模型显示出更高的性能.
• CGAM的可解释性揭示了运动特征在不同减值级别的FMA-UE得分上具有明显的影响.

结论:

• 拟议的CGAM框架为远程,个性化的中风评估提供了可行和准确的解决方案.
• 这种方法有效地解决了患者的异质性,并增强了中风康复中的临床决策.
• CGAM的可解释性为调整康复策略以满足个体患者需求提供了宝贵的见解.