基于单传感器加速度计的杜氏肌营养不良症(DMD)步态特征刻画：经典机器学习与深度学习方法
信号处理
2023-07-12 v3 机器学习
摘要
杜氏肌营养不良症(DMD)儿童与典型发育(TD)同龄儿童的步态差异肉眼可见，但在步态实验室之外对这些差异进行量化一直难以实现。本工作中，我们在日常速度范围内的行走过程中，使用腰戴的iPhone加速度计测量垂直、内外侧和前后方向的加速度。15名3-16岁的TD儿童和15名DMD儿童完成了八项行走/跑步活动，包括五项从慢走到跑步速度(SCsL1至SC-L5)的25米行走/跑步速度校准测试、6分钟步行测试(6MWT)、100米快走/慢跑/跑(100MRW)和自由行走(FW)。为临床锚定，受试者完成了Northstar步行评估(NSAA)。我们提取了时空步态临床特征(CFs)，并应用多种机器学习(ML)方法，利用提取的时空步态CFs和原始数据区分DMD与TD儿童。提取的时空步态CFs显示步长减小、总功率(TP)的内外侧分量增大，这与DMD中常见的短步幅和Trendelenberg样步态一致。使用时空步态CFs和原始数据的ML方法在不同速度下区分DMD与TD对照的有效性各异，准确率最高达100%。我们证明，通过将ML与消费级智能手机的加速度计数据结合，可以捕捉从幼儿到青少年的DMD相关步态特征。
引用
@article{arxiv.2105.06295,
title = {Gait Characterization in Duchenne Muscular Dystrophy (DMD) Using a Single-Sensor Accelerometer: Classical Machine Learning and Deep Learning Approaches},
author = {Albara Ah Ramli and Xin Liu and Kelly Berndt and Erica Goude and Jiahui Hou and Lynea B. Kaethler and Rex Liu and Amanda Lopez and Alina Nicorici and Corey Owens and David Rodriguez and Jane Wang and Huanle Zhang and Daniel Aranki and Craig M. McDonald and Erik K. Henricson},
journal= {arXiv preprint arXiv:2105.06295},
year = {2023}
}