根据姿势估计和机器学习,对痴呆症患者和健康对照人之间的歧视进行步行和运动分析
Mustafa Al-Hammadi1, Hasan Fleyeh1, Ilias Thomas1
1School of Information and Engineering, Dalarna University, Borlänge, Sweden.
Journal of Alzheimer's disease : JAD
|March 16, 2026
概括
基于视频的步态分析有效检测痴呆症疾病. 在定时启动和启动 (TUG) 测试期间的双重任务显著提高了区分痴呆症患者与健康对照者的准确性.
科学领域:
- 神经学 神经学
- 生物医学工程 生物医学工程
- 老年学是一门学科.
背景情况:
- 痴呆症在全球影响着数以百万计的人,需要早期检测以进行管理.
- 步态分析提供了一种非侵入性方法,用于识别早期痴呆症相关的运动变化.
- 在痴呆症中,微妙的步态变化往往先于明显的认知症状.
研究的目的:
- 通过使用定时启动和启动 (TUG) 测试来评估基于视频的步态分析的临床实用性.
- 为了区分患有痴呆症的个体与健康的对照人群 (HC).
- 为了提高诊断准确度,比较单任务与双任务 (TUGdt) 条件.
主要方法:
- 使用的机器学习模型:支持矢量机器 (SVM),后勤回归 (LR) 和随机森林 (RF).
- 利用了64名痴呆症患者 (包括阿尔茨海默氏症患者) 和67名HC的数据集.
- 参与者执行了TUG和TUGdt (具有认知任务:动物命名或反向月份朗诵).
主要成果:
- 与单一任务分析相比,双任务步态分析显示出更高的分类性能.
- 使用交叉验证,SVM在TUGdt-NA中实现了高精度 (87%±5.1%),在TUGdt-MB中实现了高回忆率 (89.5%).
- 基于视频的步态特征有效地将痴呆症患者与HC区分开来,特别是在双重任务条件下.
结论:
- 基于视频的步态分析是发现痴呆症的宝贵工具.
- 双重任务提高了步态分析的准确性,以区分痴呆与健康衰老.
- 这种方法为痴呆症预先查提供了一种具有成本效益,自动化和非侵入性的方法.
