基于机器学习的补偿性躯干运动实时检测: 使用躯干-手腕惯性测量单元
摘要
补偿性躯干运动(CTMs)常见于中风后患者,可导致次优运动模式,限制受影响结构的针对性训练。客观、连续的CTMs检测在治疗和日常生活活动中仍具有挑战性,由于其通常需要复杂的测量 setup,且实时应用适用性有限。本研究探讨了两种惯性测量单元配置是否可实现可靠、实时的CTMs检测。数据来自10名健康受试者执行日常活动,其中包括仿真失能情境(肘部brace限制屈伸,阻力带引发屈肌-协同模式),同步光学动作捕捉(OMC)和手动标注视频记录作为参考。通过OMC识别出手腕和躯干运动学为最小且充分的解剖感知位置。使用极端梯度提升分类器(XGBoost)进行leave-one-subject-out交叉验证评估,我们的方法在判别性能上表现良好(macro-F1 = 0.80 ± 0.07, MCC = 0.73 ± 0.08; ROC-AUC > 0.93),其性能相当于OMC-based模型,且预测时延适合实时应用。解释性分析揭示了躯干动力学和手腕-躯干相互作用特征的主要贡献。在针对四名神经病理条件受试者的初步评估中,该模型保持良好的判别能力(ROC-AUC ~ 0.78),但表现出降低且不稳定的阈值相关性能,凸显了临床推广的挑战。这些结果支持稀疏可穿戴式感知技术,以实现治疗期间和日常生活中CTMs的可扩展、实时监控。
引用
@article{arxiv.2604.12591,
title = {Machine Learning-Based Real-Time Detection of Compensatory Trunk Movements Using Trunk-Wrist Inertial Measurement Units},
author = {Jannis Gabler and Clément Lhoste and Max Quast and Laura Mayrhuber and Andrea Ronco and Olivier Lambercy and Paulius Viskaitis and Dane Donegan},
journal= {arXiv preprint arXiv:2604.12591},
year = {2026}
}
备注
This manuscript has been submitted to IEEE Transactions on Neural Systems and Rehabilitation Engineering for possible publication. This version is a preprint and has not undergone peer review