在使用关节角度轨迹的中风后患者中病态步行恢复模式的深度时聚类:一项纵向研究
Jinwoo Kim1, Teh-Hao Teng1, Yun-Hee Kim2,3
1Department of Intelligent Robotics, Sungkyunkwan University, Suwon 16419, Republic of Korea.
Bioengineering (Basel, Switzerland)
|December 30, 2025
概括
这项研究使用深度学习来分析中风患者的长期步态恢复,确定了六种不同的恢复模式. 这种方法有助于了解半后的个性化恢复轨迹.
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
- 康复科学 康复科学 康复科学
背景情况:
- 患有半的中风幸存者经常表现出长期的步行障碍.
- 了解纵向步态恢复模式对于有效的康复策略至关重要.
- 现有的方法难以应对长期步态分析的复杂性和数据稀缺性.
研究的目的:
- 分析中风后亚急性半患者的长期步态恢复模式.
- 将基于端到端深度学习 (DL) 的聚类应用到斜面关节角轨迹.
- 用数据增强来解决长期步行轨迹数据集中的数据稀缺问题.
主要方法:
- 用 TimeVAE 和 Diffusion-TS 来增强时间序列数据以生成合成步行轨迹.
- 利用深度时间聚类 (DTC) 模型,共同学习时间表示和集群分配.
- 应用集群评估标准,以确定最佳数量的患者康复组.
主要成果:
- 确定了六个不同的集群,代表了个性化的纵向步态恢复模式.
- 这些星团的特点是具有统计学意义和独特的动力学特征.
- 证明了基于DL的聚类在捕捉复杂的恢复动态方面的有效性.
结论:
- 这项研究开创了深度聚类的使用,用于分析中风后患者的纵向步行恢复.
- 这些发现为未来关于中风康复和步态分析的研究提供了一个概念框架.
- 开发的方法提供了一种新的方法,以了解患者特定的恢复轨迹.
