使用机器学习模型,基于加速仪对学童的姿势平衡进行预测的可行性
José Alberto Benítez-Andrades1, Ana González-Castro2, Elena González-Marcos3
1ALBA Research Group, Department of Electric, Systems and Automatics Engineering, University of León, Campus of Vegazana s/n, 24071, León, Castilla y León, Spain. jbena@unileon.es.
Scientific reports
|November 25, 2025
概括
这项研究探讨了使用加速度计和机器学习来预测儿童平衡测试结果. 加速度计显示了预测弗拉明戈测试结果的潜力,这表明未来的数字健康工具用于儿科平衡评估.
科学领域:
- 儿科运动发展 儿科运动发展
- 生物机械评估评估
- 数字健康技术数字健康技术
背景情况:
- 对儿童的客观平衡评估对于发展和预防跌倒至关重要.
- 传统的临床平衡测试 (例如,Flamingo,平衡梁) 缺乏准确性和客观性.
- 加速度计和机器学习为儿科平衡提供了定量,预测能力.
研究的目的:
- 评估使用加速度计数据预测学校儿童临床平衡测试结果的可行性.
- 评估机器学习模型在预测静态和动态平衡任务中的性能.
- 探索基于加速度计的数字工具的潜力,用于儿科平衡查.
主要方法:
- 一项涉及90名6至12岁儿童的横截面研究.
- 在静态平衡任务 (眼睛开/闭,表面不稳定) 和步行过程中收集的加速计数据.
- 机器学习模型 (线性回归,k-NN,SVM,随机森林) 应用了五倍交叉验证.
主要成果:
- 机器学习模型在Flamingo测试中表现出适度但一致的预测准确性,特别是使用静态任务数据.
- 随机森林,支向量回归和k-最近邻居显示了Flamingo测试预测的最佳性能.
- 在所有测试模型中,平衡束测试结果的预测准确性都很差.
结论:
- 加速度计与机器学习相结合,显示了用于预测儿科平衡表现的可行性,特别是在Flamingo测试中.
- 这种方法充满希望,作为儿童查和教育健康应用的数字工具.
- 进一步的研究可能会完善模型,以便在儿科平衡评估中具有更广泛的临床适用性.
