肌肉协同驱动的集体学习框架,用于个性化的中风步态康复

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 卒中幸存者经常表现出由于神经肌肉损伤导致的步态异常.
• 肌肉协同分析提供了关于运动控制缺陷的见解.
• 目前的康复临床决策可以通过客观的,数据驱动的工具来增强.

研究的目的:

• 开发和验证一套新的集体机器学习 (ML) 框架用于中风步行康复.
• 将肌肉协同分析的神经生理学原理集成到ML模型中,以改善临床决策支持.
• 提高ML模型的解释性和分类性能,以识别与中风相关的神经肌肉损伤.

主要方法:

• 从380名参与者 (120名健康人,260名中风后) 的表面EMG数据中使用非负矩阵因子化提取肌肉协同效应.
• 利用双向分解过程来导出特征向量,捕捉从规范模式中的空间 (W) 和时间 (H) 协同效应偏差.
• 采用了带有元回归的等级组合模型,集成空间和时间特征的单独分类器,使用SHAP值验证可解释性.

主要成果:

• 整体ML框架在内部测试数据集上实现了超过98%的分类准确性.
• 特性重要性分析证实了学习的分类标准的临床相关性.
• SHAP值提供了样本特定的解释,确保了关于神经肌肉损伤的预测在个人层面的可解释性.

结论:

• 拟议的框架有效地将神经生理学原则与ML用于中风步行康复相结合.
• 该模型在识别与中风相关的神经肌肉损伤方面表现出高准确性和可解释性.
• 这种方法为将神经生理学基础的ML模型纳入临床实践奠定了基础,以提高康复结果.