一个初步的机械信息机器学习框架,用于客观评估帕金森病和康复结果

科学领域:

• 生物力学 生物力学
• 机器学习 机器学习
• 康复科学 康复科学 康复科学

背景情况:

• 由于有限的非侵入性方法,对帕金森病 (PD) 康复结果的客观评估具有挑战性.
• 现有的方法往往无法捕捉微妙的,非线性运动控制适应.
• 强力板数据提供了丰富的关于姿势控制和步态动态的信息.

研究的目的:

• 开发和验证机械知情机器学习 (ML) 框架,用于客观评估PD中的运动控制.
• 评估框架在有针对性的康复干预后检测微妙改善的能力.
• 将基于ML的分析与传统的统计方法进行比较,以检测PD患者的变化.

主要方法:

• 一组12名PD患者和6名健康对照人接受了干预前后的强力板测试.
• 与姿势摇摆和压力中心 (COP) 动态相关的特征被提取和选择.
• 减小维度 (t-SNE) 和K-意味着对已识别的组级模式进行集群.
• SHAP值和科恩的d定量化特征重要性和效果大小.

主要成果:

• K-意味着在PD患者中成功分离了干预前和干预后的状态,改善转向健康的对照群.
• 机器学习框架表现出强大的集群性能 (轮 0.77-0.79).
• 关键特征 (RMS-SML,PL-SAP) 显示了很大的效果大小,使PD患者与对照患者区分开来.
• 经过ML方法检测到群体内的显著变化,与传统的统计测试不同 (p > 0.05).

结论:

• 基于机械的初步ML框架有效地使用强力板数据检测PD相关的运动缺陷.
• 该框架对康复所引起的微妙,非线性姿势适应是敏感的.
• 需要在更大的队列中进行进一步的验证,以确认其在PD康复评估中的临床实用性.