基于可穿戴传感器的机器学习技术可准确追踪脑损伤患者的运动恢复基于可穿戴传感器的机器学习

基于可穿戴传感器的机器学习技术可以准确追踪脑损伤患者的运动恢复
斯波尔丁运动分析实验室在斯波尔丁康复医院发布的"启用精密康复干预使用穿戴式传感器和机器学习来追踪运动恢复"(Enabling Precision Rehabilitation Interventions Using Wearable Sensors and Machine Learning to Track Motor Recovery)中，该研究的目的是通过使用可穿戴技术跟踪患有脑损伤的个体的运动恢复，为"精密康复"干预措施的设计奠定基础。该研究的结果发表在《Nature Digital Medicine》上。
文章插图
由Wyss副教授Paolo Bonato博士领导的团队在最近的这项研究中发现，可穿戴技术适用于准确跟踪脑损伤患者的运动恢复，从而使临床医生可以选择更有效的干预措施并改善结果。
威斯研究所（Wyss Institute）的研究人员发现，可穿戴技术适用于准确跟踪脑损伤患者的运动恢复，从而使临床医生可以选择更有效的干预措施并改善结果。斯波丁运动分析实验室主任Paolo Bonato博士是该研究的首席研究员和资深作者，这是在学生和以前的学生在教师指导下与运动分析实验室建立联系的共同努力。
【基于可穿戴传感器的机器学习技术可准确追踪脑损伤患者的运动恢复】"通过为临床医生提供准确的数据将使他们能够设计出更有效的干预措施，以改善我们提供的护理， "博纳托（Bonato）说，他也是哈佛大学怀斯生物启发工程研究所的副教授。
Bonato博士团队的成员Catherine Adans-Dester ， PT ，博士，是该研究的主要作者。 "当人们认为临床研究通常仅在一部分参与者中报告令人满意的运动能力改善时，就需要制定针对患者的干预措施，这很明显，这表明如果我们拥有更好的针对患者进行干预的工具，则可以改善临床结果。使用可穿戴式传感器收集的数据为临床医生提供了这样做的机会，而对临床医生和患者的负担却很小。 " Adans-Dester博士说。
本文提出的方法依靠基于机器学习的算法从功能性运动任务期间收集的可穿戴传感器数据中得出临床评分估计值。基于传感器的得分估算值与临床医生的估算值高度吻合。
文章插图
研究结果表明，可穿戴传感器数据可用于得出临床分数的准确估计值，以用于临床，以捕捉运动障碍的严重程度和上肢运动模式的质量。在这项研究中，上肢Fugl-Meyer评估（FMA）量表用于生成运动障碍严重程度的临床评分，功能功能量表（FAS）用于生成运动质量的临床评分。
在执行沃尔夫-电动机功能测试中的八项功能性电动机任务期间，收集了可穿戴的传感器数据（即加速度计数据），从而提供了手臂总体运动和精细的电动机控制任务的样本。开发了基于机器学习的算法，以从传感器数据中得出FMA和FAS临床分数的准确估计值。共有37名研究参与者（16名中风幸存者和21名颅脑外伤幸存者）参加了该研究。