基于机器学习的腕部传感器优化前庭神经鞘瘤步态评估与步态学评分构建

《Journal of NeuroEngineering and Rehabilitation》：Machine learning-based identification of a minimal wearable sensor for gait assessment in vestibular schwannoma

　　

摘要

背景

前庭神经鞘瘤（VS）会损害平衡和步态功能，通常导致显著的功能障碍，而这些障碍无法通过标准临床评估完全捕捉。尽管可穿戴惯性传感器和机器学习为客观步态分析提供了前景，但其临床转化受到传感器最佳放置位置、任务选择和可解释性不确定性的限制。

方法

我们记录了32名单侧前庭神经鞘瘤患者和32名年龄匹配的对照者在完成功能性步态评估（FGA）的十个任务时的六维运动学数据。基于此前开发的深度学习框架，我们系统评估了十个步态任务与六个传感器位置的所有组合，共生成60个任务-传感器模型。模型采用受试者级别的留一交叉验证进行训练和测试。为支持临床解释，我们推导出一个连续的步态学评分，反映个人步态模式与前庭病变所观察到模式之间的相似程度。

结果

模型表现强烈依赖于任务和传感器的选择。闭眼行走（FGA8）被确定为信息量最大的任务，而腕部传感器在所有任务中均始终优于头部和躯干传感器。在闭眼行走期间使用腕部佩戴的传感器，可在VS患者与对照组之间实现区分，整体准确率范围为60%至83%，同时大幅降低了仪器设备负担。所得步态学评分显著区分了各组，且模型准确率与包括头晕残疾量表在内的现有临床指标相关。

结论

这些发现表明，机器学习不仅可以用于分类步态病理，还可用于确定前庭神经鞘瘤客观步态评估中可临床部署的最小可穿戴传感器配置。所提出的基于腕部的步态学评分提供了一种连续且可解释的指标，补充现有临床评估，并支持在院内和远程康复环境中的纵向监测。本研究推动了前庭疾病精准康复中定量、可扩展数字生物标志物的发展。