基于运动特性的FIM评分分类分析：利用时空深度学习
机器学习
2025-11-17 v1
摘要
功能独立评估量表（FIM）广泛用于评估患者在日常生活活动中的身体独立性。然而，传统的FIM评估对患者和医护人员都带来了巨大的负担。为此，我们提出一种自动化FIM评分估计方法，该方法利用与指定FIM评估动作不同的简单运动。我们的方法采用深度神经网络架构，集成时空图卷积网络（ST-GCN）、双向长短期记忆网络（BiLSTM）和注意力机制，用于估计FIM运动项目评分。该模型有效捕获长期时间依赖性，通过学习的注意力权重识别关键身体关节贡献。我们在277名康复患者的研究中进行了评估，聚焦于FIM迁移和 locomotion 项目。我们的 метод成功区分了完全独立的患者与需要帮助的患者，在不同FIM项目上实现了70.09%至78.79%的平衡准确率。此外，我们的分析揭示了特定运动模式作为特定FIM评估项目的可靠预测器。
引用
@article{arxiv.2511.10713,
title = {Movement-Specific Analysis for FIM Score Classification Using Spatio-Temporal Deep Learning},
author = {Jun Masaki and Ariaki Higashi and Naoko Shinagawa and Kazuhiko Hirata and Yuichi Kurita and Akira Furui},
journal= {arXiv preprint arXiv:2511.10713},
year = {2025}
}
备注
10 pages, 5 figures, 3tables, Accepted for the 2026 IEEE/SICE International Symposium on System Integration (SII 2026), January 11-14, 2026, Cancun, Mexico