基于深度学习的帕金森病患者步态中地面反作用力的估计方法：采用优化后的惯性测量单元数据集

《IEEE Transactions on Neural Systems and Rehabilitation Engineering》：Deep Learning-Based Estimation of Ground Reaction Forces in Parkinsonian Gait Using an Optimized Set of IMU Data

　　

摘要：

在帕金森病（PD）中，准确的步态分析通常依赖于基于实验室的系统来收集生物力学数据，例如地面反作用力（GRFs）。使用惯性测量单元（IMUs）来估计GRFs提供了一种可行的替代方法。然而，由于步态的变异性和复杂性，在像PD这样的病理状态下，这种方法仍然具有挑战性。此外，现有的监测方法通常需要多个安装在身体上的传感器，这限制了其实用性并降低了患者的依从性。到目前为止，还没有研究探讨过应用深度学习方法来解决这一挑战。本研究首次提出了一种深度学习框架，利用一组优化过的可穿戴IMUs来估计PD患者的双侧垂直GRFs（vGRFs）。该混合CNN-BiLSTM模型分别使用13个IMUs对61名PD患者和65名健康对照组（HC）的数据进行了训练。该模型在个体内部实现了高精度（R2 = 0.98），并在不同个体之间表现出良好的泛化能力（HC的R2 = 0.93，PD的R2 = 0.91）。传感器配置对估计精度有显著影响，最佳传感器布置因PD患者而异。对于PD患者，当减少到单个IMU时，估计精度明显下降。对于PD患者，最佳配置使用了四个IMUs。我们发现即使只使用两个IMU，也能实现稳健的估计。这种紧凑的设置提供了一个实用且可扩展的解决方案。总体而言，所提出的方法支持开发基于可穿戴vGRFs的步态分析系统，适用于帕金森病步态以及其他病理状况，从而实现可及的临床评估、远程监测和个性化康复。