用混合增强的LSTM自编码器和可穿戴传感器数据估计Fugl-Meyer评估上端子分数

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
• 医疗保健中的人工智能

背景情况:

• 脑卒中显著影响运动功能,需要进行准确的康复评估.
• 上肢的Fugl-Meyer评估 (FMA-UE) 是一种标准的但耗时的临床工具.
• 目前使用传感器和人工智能的远程评估方法在详细的运动功能得分方面面临挑战.

研究的目的:

• 引入一个深度学习框架,用于自动估计FMA-UE总和分区分数.
• 为了使中风幸存者能够更频繁和更容易获得的运动功能评估.
• 克服FMA-UE传统评估在时间和专业知识方面的局限性.

主要方法:

• 收集了15名参与者的数据,使用四个惯性测量单位 (IMU) 在手臂和干部.
• 开发了一个集成基于LSTM的自动编码器和混合增强的深度学习模型.
• 使用一个离开一个主体的交叉验证 (LOSOCV) 来进行可靠的绩效评估.

主要成果:

• 该模型在所有FMA-UE子部件 (A-D) 中实现了R²值>0.82和Pearson的r>0.90.
• 标准化平方根平均误差 (NRMSE) 在子部分<0.14,在FMA-UE总分数<0.0678.
• 在估计详细的运动功能得分方面表现出强大的概括性和稳定性.

结论:

• 一个简洁的,基于传感器的评估框架可以可靠地预测详细的FMA-UE运动功能得分.
• 这种方法提高了中风运动功能评估的可访问性和效率.
• 开发的深度学习模型显示了远程和自动化康复监控的巨大潜力.