基于动力学数据的深度学习管道,用于检测带状瘤患者的单边带状损失,基于动力学数据

科学领域:

• 生物医学工程 生物医学工程
• 神经学 神经学
• 机器学习 机器学习

背景情况:

• 在前庭神经瘤 (VS) 患者中,微妙的平衡和协调障碍很难通过标准的临床评估来检测.
• 在前体损失之前早期发现运动适应对于及时干预至关重要.

研究的目的:

• 开发和验证深度学习分类器,用于检测VS患者早期平衡和协调障碍,使用动力学数据.
• 确定最佳的传感器位置和数据集特征,以提高分类器的性能.

主要方法:

• 一个卷积神经网络 (CNN) 在标准化步行任务中使用惯性测量单元 (IMU) 的动态数据进行训练.
• 从VS患者和年龄相匹配的健康对照组中收集了数据,这些对照组在短时间的散步中,有或没有间歇性闭眼.
• 模型被训练并使用来自单个传感器的数据进行评估,重点是手腕和干部传感器.

主要成果:

• 深度学习分类器在对照人群中达到0.74的准确度,在VS患者中达到0.71的准确度.
• 该模型成功地在VS患者中识别了早期的补偿运动模式,而不考虑临床分数差异.
• 用更大的数据集和对不同数据集的预训练来提高分类器性能.

结论:

• 深度学习具有显著的潜力,可以在临床评估不足时检测前体和平衡障碍中的功能障碍.
• 基于可穿戴传感器的动力学分析,特别是手腕和干的动力分析,可以揭示微妙的运动适应.
• 数据集的大小,多样性和战略性传感器放置对于神经学中成功的临床机器学习应用至关重要.