利用传感器和机器学习预测中风后居家运动康复中的失用情况
《IEEE Transactions on Neural Systems and Rehabilitation Engineering》:Forecasting Dropout in Home-Based Movement Rehabilitation after Stroke with Sensors and Machine Learning
【字体:
大
中
小
】
时间:2026年05月14日
来源:IEEE Transactions on Neural Systems and Rehabilitation Engineering 5.2
编辑推荐:
摘要:坚持家庭康复训练有助于中风后的恢复,但许多患者在最初的几周内就放弃了治疗。尽管之前的研究在小样本或监督环境下探讨了患者的坚持性,但对于大规模、无监督群体中早期行为迹象与长期坚持性的关系知之甚少。本研究分析了迄今为止最大的关于家庭康复坚持性的数据集之一(共2,747名FitM
摘要:
坚持家庭康复训练有助于中风后的恢复,但许多患者在最初的几周内就放弃了治疗。尽管之前的研究在小样本或监督环境下探讨了患者的坚持性,但对于大规模、无监督群体中早期行为迹象与长期坚持性的关系知之甚少。本研究分析了迄今为止最大的关于家庭康复坚持性的数据集之一(共2,747名FitMi用户),并运用可解释的机器学习模型来预测患者退出治疗的风险。我们关注的是具有普遍性的特征(这些特征在许多其他家庭锻炼系统中也容易获取)。作为分析的起点,我们使用前三周的锻炼行为数据来预测患者是否能持续到第四周。表现最佳的模型的AUC值为0.810,表明坚持者和放弃者之间存在显著差异。该模型的精确度与召回率之间的权衡也非常好,prAUC为0.717,F1分数为0.703。通过特征重要性分析,我们发现平均每周锻炼天数(24.7%)、锻炼一致性(16.4%)、平均每次锻炼时长(15.2%)和重复频率(10.1%)是最具预测性的行为指标。这些发现表明,早期参与模式可以通过多种基于传感器的系统轻松测量,并包含识别可能停止家庭锻炼用户的可靠信息。这种识别方法可以为自主康复系统中的适应性、个性化干预提供可行的途径。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号