使用机器学习识别和预测中风患者在不平面行走中的步态稳定度指标
Yasuhiro Inui1,2, Yusaku Takamura3, Yuki Nishi3,4
1Department of Neurorehabilitation, Kio University, Nara, Japan. y.inui.pt@gmail.com.
Scientific reports
|January 17, 2026
概括
机器学习准确地识别了中风患者的步态差异 (PwS) 在不均的表面上使用车加速. 平面行走预测了稳定性,有助于个性化康复以改善流动性.
科学领域:
- 生物力学 生物力学
- 康复医学 康复医学 康复医学
- 机器学习 机器学习
背景情况:
- 患有中风的人 (PwS) 跌倒的风险增加,特别是在不均的表面上.
- 在不平坦的地形上步行稳定性是中风后移动性的关键但未被充分研究的方面.
研究的目的:
- 使用机器学习 (ML) 识别步态加速特征,使PwS在不均的表面上与健康对照 (HC) 有区别.
- 从普华永道的平面行走参数预测不平面行走稳定性.
主要方法:
- 分析71个PWS和39个HC在不平坦的地面上行走时的车身加速数据.
- 应用ML分类和回归模型来识别歧视性特征和预测步行参数.
- 特征提取包括垂直根平均平方 (RMS_VT),前后样本 (SampEn_AP),和比 (HR_AP).
主要成果:
- ML分类器在区分普华永道和HC时取得了超过95%的准确性.
- 确定的主要特征是RMS_VT,SampEn_AP和HR_AP.
- 在普华永道的研究中,平面行走速度<0.8m/s预测降低不平面行走速度和更高的RMS_VT. 样本En_AP和HR_AP显示了与脚动力学和均表面值的非线性关联.
结论:
- 可解释的ML和可穿戴传感器数据可以有效地评估普华永道的步态稳定性和适应性.
- 研究结果支持开发数字生物标志物,用于个性化中风康复.
- 这种方法可以提高户外流动性,并降低中风患者的跌倒风险.
