用临床移动性数据增强ResNet + BiLSTM深度学习模型有助于超越基于频率的启发式模型,用于行走突发细分

科学领域:

• 生物医学工程 生物医学工程
• 可穿戴技术可穿戴技术
• 医疗保健中的机器学习

背景情况:

• 可穿戴式传感器对于在各种环境中进行步态评估至关重要.
• 在自由生活环境中检测行走,特别是对于临床组,仍然很困难.
• 现有的机器学习模型由于对健康主题的培训,往往缺乏通用性.

研究的目的:

• 增强机器学习模型,以使用各种数据集进行可靠的步态识别.
• 评估模型的性能与基于频率的启发式算法对比.
• 为改善临床人群的步行检测,以改善步行障碍.

主要方法:

• 一个现有的机器学习模型使用逐渐多样化的数据集进行了重新训练,包括健康和骨关节炎患者群体.
• 模型的行走识别性能使用基于频率的步态检测算法进行评估.
• 模型的准确性和回忆力是用持有测试数据来评估的.

主要成果:

• 在所有数据集上训练的模型在活动分类中实现了96%的准确性.
• 性能与用于通用步行发作识别的启发式方法相当.
• 机器学习模型在缓慢步行速度 (<0.8米/秒) 的情况下显示出优异的回忆 (>0.89),而启发式方法失败 (回忆率低至0.38).

结论:

• 使用多样化的数据集训练机器学习模型显著提高了它们的稳定性和通用性.
• 这种方法对于开发用于临床应用的准确步态分析工具至关重要.
• 改进后的模型提供了可靠的行走检测,特别是对于步行较慢的个体.