在不同条件下的慢性脚不稳定性的增强识别:基于特征融合和机器学习的新评估框架

科学领域:

• 生物力学和神经肌肉控制
• 生物医学工程 生物医学工程
• 医疗保健中的机器学习

背景情况:

• 慢性脚不稳定 (CAI) 通常涉及改变神经肌肉控制和补偿运动策略.
• 表面电肌图 (sEMG) 和非负矩阵因子化 (NNMF) 可以揭示肌肉协同模式.
• 深度学习和机器学习为分析复杂的生物力学数据提供了先进的方法.

研究的目的:

• 开发和验证一个基于协同效应的评估框架,将NNMF衍生的肌肉协同作用与深度特征融合和机器学习相结合.
• 在降落任务中调查CAI和健康对照个体之间的神经肌肉控制差异.
• 通过一种新的计算方法来增强与CAI相关的神经肌肉缺陷的检测.

主要方法:

• 收集了30名CAI患者和30名健康对照的30名CAI患者的预期和意外着陆任务期间从9个下肢肌肉中收集的sEMG数据.
• 应用NNMF从sEMG信号中提取肌肉协同功能的特征.
• 使用卷积神经网络 (CNN) 进行层次特征集成,并使用随机森林 (RF) 分类器进行结果预测.
• 根据分类准确性和F1分数评估模型性能,比较不同的任务条件和融合策略.

主要成果:

• 患有CAI的个体表现出改变的肌肉协同结构和近邻招募转移,特别是在意外着陆期间.
• CNN-RF-Unant模型实现了最高的分类精度 (0.96) 和F1得分 (0.95),超过了其他配置.
• 来自意想不到的任务的特征证明了在检测神经肌肉缺陷方面具有卓越的信息性.

结论:

• 拟议的框架将基于NNMF的协同分析与CNN驱动的融合相结合,显著改善了CAI中神经肌肉缺陷的检测.
• 在意想不到的任务中评估神经肌肉控制提供了对功能障碍的生态有效和敏感的见解.
• 这种方法提供了一种临床上有价值的工具,用于识别潜在的功能缺陷,并指导CAI个性化康复策略.