机器学习有助于检测多发性硬化症患者的步态问题
在 50 岁以上的成年人中，监测多发性硬化症相关步态问题的进展可能具有挑战性，需要临床医生区分与 MS 相关的问题和其他与年龄相关的问题。为了解决这个问题，研究人员整合了步态数据和机器学习，以推进用于监测和预测疾病进展的工具。
多发性硬化症可以通过多种方式在全球范围内影响大约 200 万人，行走问题是一种常见症状。大约一半的患者在发病 15 年内需要行走辅助。研究人员试图确定衰老和并发 MS 疾病相关变化之间的相互作用，以及它们是否可以在患有 MS 的老年人中区分两者。机器学习技术在发现复杂的隐藏性能变化方面效果特别好。
该团队使用仪表化跑步机收集了 20 名患有 MS 的成年人和 20 名年龄、体重、身高和性别匹配的没有 MS 的老年人的步态数据——根据体型和人口统计数据进行标准化。参与者以舒适的步伐行走长达 75 秒，而专门的软件在每次行走期间捕获步态事件、相应的地面反作用力和压力中心位置。该团队提取了每个参与者在步态中的特征空间、时间和动力学特征，以检查每次试验期间步态的变化。
各种步态特征的变化，包括称为蝴蝶图的数据特征，帮助团队检测参与者之间步态模式的差异。该图得名于受试者行走过程中多次连续跨步的重复压力中心轨迹创建的蝴蝶形曲线，并与关键的神经功能相关。
生物力学系统（例如步行）是建模不佳的系统，因此很难在临床环境中发现问题。新方法从数据集中提取结论，这些数据集包括每个个体的许多测量值，但只有少数个体。该工作成果在基于临床机器学习的疾病预测策略领域取得了重大进展。
传感器