JHE 医疗保健工程 2040 - 2309 2040 - 2295 Hindawi 10.1155 / 2021/3959844 3959844 研究文章 人工神经网络算法的评估术后康复的病人 https://orcid.org/0000 - 0003 - 3578 - 0556 唐 Kunhao 罗 谷兄 张 三花股份 Abdulhay Enas 计算机工程系 湖南理工学院 衡阳421002 中国 hnit.edu.cn 2021年 11 10 2021年 2021年 16 7 2021年 17 9 2021年 11 10 2021年 2021年 版权©2021 Kunhao唐et al。 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。

为了探索人工神经网络在康复中的应用评价,一种安稳定可靠的人工智能算法。通过学习现有临床步态数据,该方法提取患者的步态特征参数不同年龄、疾病类型、病程和重复数据迭代最后模拟相应的病人的步态参数。实验表明,经过训练的安有相同的分数作为人类的大部分数据(82.2%,科恩kappa = 0.743)。安之间有很强的相关性和改进Ashworth分数评估人工评分(<我t一个lic> r= 0.825,<我nline-formula> P < 0.01 )。作为一个稳定和可靠的人工智能算法,安能临床康复评价提供新的思路和方法。

 湖南省教育 15 b061 1。介绍

人工智能(AI)已成为一个社区,有许多实际应用和活跃的研究课题。人工神经网络(ANN),作为现代人工智能技术的一个重要分支,被广泛和深入应用于现代医学活动由于其强大的学习能力和稳定的特征识别和预测函数( 1]。康复评估主要是定量或定性的描述患者的功能状态,包括身体运动机能评估、资产评估、和其他的一些维度。然而,目前,许多康复评估方法是费时和费力,难以准确量化( 2]。因此,近年来,人工智能专家安设计开发各种各样的算法,并在实际临床环境评估病人的康复,他们取得了令人满意的结果。作为一种人工智能工具,人工神经网络已被广泛用于临床诊断的疾病,如肿瘤和肺栓塞自1990年代。罗伯特·h·尼尔森神经计算机的发明者,定义了神经网络计算系统由许多简单的和高度相互关联的处理元素,它可以处理实际问题通过动态反应外部输入信息( 3]。中风已经成为一种常见的疾病在临床实践中由于其较高的发病率和伤残率。它往往伴随着各种各样的功能障碍,其中上肢运动功能障碍是影响最广泛的肢体功能障碍。最近,康复医学逐渐向精度的方向发展,长途,智慧,和个性化,其中精确评估是一个重要的方向。基于传感器技术和人工智能理论的融合,上肢运动功能的自动评价深入研究,和运动测量系统设计的运动功能障碍的手臂,手和上肢活动功能。三个不同的深度学习方法提出了基于传感器数据实现特征提取的临床量表( 4]。

普赖尔等人提出了一个基于混合密度身体评估模型神经网络。收集病人的运动序列的微软Kinect传感器作为神经网络的输入。神经网络由两层组成:self-coding层和混合密度层。前者是用来减少运动序列的维数,提取特征,而后者是用来表达病人的运动序列作为高斯密度函数和比较它与预设运动来评估病人的身体机能。这个模型可以应用到康复评估和培训指导中风康复患者的家庭环境( 5]。威尔金森等人用聚类分析和人工神经网络分析74名中风患者的步态数据通过三维运动分析系统。首先,他们进行了聚类分析在患者的步态模式通过k - means算法,使用的特征包括14等参数的着陆位置病人的脚,和三个病人集群。第一触碰脚的位置被发现对应脚掌,脚,鞋跟,分别;然后,膝关节角度变化作为输入使用的多层感知器分类第一接触病人的脚的位置,分类精度为100% ( 6]。基于本文的研究结果,可以发现,使用传感器传感技术和深度学习人工智能分析方法可以实现的精确测量和定量评价中风患者的运动功能,弥补传统评价方法的缺乏,和促进康复评估的发展家庭和社区环境。

构建一个虚拟力学模型或学习和预测现有的数据通过神经网络算法可以更好地反映目标人口的平衡能力。然而,目前的主要问题是缺乏大样本和multidisease临床评价模型及其临床可行性有待进一步研究。

 2。材料和方法

人工智能是计算机科学的一个重要分支,其中包括许多应用领域,如机器学习,机器视觉、智能搜索。机器学习(ML)的基本方法是使计算机智能,简单地说。毫升可以被理解为使电脑发现和我深规则从大量的数据,然后进行数据分类和预测,这是类似于数学函数模型。数据样本作为输入变量和输出预期的仿真结果。毫升可以进一步分为监督和非监督学习模式( 7]。无监督学习是直接模型数据没有提供数据样本进行训练。要讨论的安是一个监督机器学习分类要求数据训练。参见图 1为特定的机器学习分类。图 2提供了一个视觉解释这两个概念的函数图像。

机器学习分类。要讨论的安是一个监督机器学习分类要求数据训练。

拟合函数仿真提供了一个视觉解释这两个概念的函数图像。

 2.1。评价康复

收集病人的康复评估是一个过程的历史和相关数据;提出假设;进行检查和测量;比较、综合、分析和解释结果;最后形成一个结论和诊断的障碍。康复评估包括所有功能或能力障碍需要康复治疗。通过康复评估、位置、范围、类型、性质、特点、程度、原因、和预后的障碍可以找到和确定,提供制定清晰的康复目标的基础和康复治疗计划。正确和准确评价康复的前提和基础是制定正确的原则,计划,康复治疗的具体实施方案。此外,病人的康复治疗的效果也需要反映在康复评价结果的变化( 8- - - - - - 10]。

康复治疗的整个过程必须依靠康复评估。一般来说,康复评估主要有以下功能:(1)寻求和确定类型,学位,和障碍的原因;(2)指导康复治疗计划的制定;(3)确定康复治疗项目;(4)判断康复效果;(5)预后分析;(6)防止发生和发展的障碍。在评估的过程中各种功能障碍,常用的康复评估方法包括观察法、调查法、量表法,和仪器测量方法;其中,规模的方法是最常用的评价方法目前在临床实践中,这是一个方法,使用标准化的规模分类功能障碍的病人的严重程度或总结分数。

 2.2。循环神经网络

反复出现的神经网络(RNN),也称为自动协会网络或反馈网络,是目前最流行的一种深刻的学习算法。RNN单元依次相互连接形成一个循环,和单位的内部状态使得网络显示动态时间行为。他们尤其强大在任务上下文是至关重要的预测结果,通常应用于解决问题在语音识别和自然语言处理等领域。RNN可以使用其内部内存来处理任何输入序列。前后RNN的信号传播网络中通过引入一个循环。

RNN的向前传播公式如下所示: (1) z h t = ∑ 我 = 1 我 w 我 h x 我 t + ∑ h ′ H w h ′ h 一个 h ′ t − 1 , (2) 一个 h t = f h z h t , (3) y k t = ∑ h = 1 H w h k 一个 h t , 衬在哪里输入层神经元的输入向量在时间吗<我t一个lic> t,<我nline-formula> 一个 h ′ t − 1 是1的时刻<我nline-formula> h ′ 神经元的隐藏状态向量信息从内存单元之前的一刻,<我nline-formula> z h t 是输入信息的时间吗<我t一个lic> t在之前的时间和内存单元信息加权得到的产品和总和,非线性变换后的激活函数<我nline-formula> f h ⋅ 。就吐的内存单元的信息在当前的时刻。常见的激活函数包括Softmax ReLU,双曲正切。<我nline-formula> y h t 是K在输出层神经元的输出向量在时间吗<我t一个lic> t。<我nline-formula> w 我 h , w h ′ h , 和 w h k 分别是输入层和隐层之间的连接权值,隐层和隐层,隐层和输出层。

准确性:准确率可以用来代表的能力分类器在整个样本正确分类样本集,也就是说,所有的比例正确分类样本的样本总数,包括真阳性和真正的负样本,和他们的计算如下所示: (4) 精度 = TP + TN TP + FN + 《外交政策》 + TN 。

精度:精度是样本的比例预计将是积极的真正价值在哪里还积极。预测样本的程度是接近真实的价值,及其计算下列公式所示: (5) 精度 = TP TP + 《外交政策》 。

假阳性率(玻璃钢)代表多少负样本被错误地归类为正,计算如下。 (6) 玻璃钢 = 《外交政策》 《外交政策》 + TN 。

均方误差可以被理解为真实价值的样本之间的欧氏距离和预测价值如下: (7) 均方误差 = 1 N ∑ 我 = 1 N y 我 − y ^ 我 2 。

因为MSE包含平方操作,计算结果的价值非常大,不利于比较分析。因此,RMSE出生,广场MSE的迹象是数量级的错误结果符合样品的数量级数据如下: (8) RMSE = 1 N ∑ 我 = 1 N y 我 − y ^ 我 2 。

3所示。结果与讨论

这个数据收集实验进行了中医知识和数据工程实验的中国电子科技大学。实验的操作进行了临床专业人员的指导下,和所有这些来自康复医生与丰富的经验在中风患者的康复研究和中风康复治疗。根据现有的研究结果,至少20名受试者(每组5)需要实现一个统计的0.95测试来检测患者肢体流动性的差异不同程度的障碍。因此,总共36健康受试者(23±20男性,16名女性,平均年龄1.5岁)参加本研究,和每个参与者都受到Brunnstrom族化合物模拟中风患者的上肢运动功能障碍。

肩膀碰锻炼作为手臂活动评估,以及受试者的上肢的运动能力是观察。在正常情况下,一个完整的运动过程包括以下四个步骤:

起始位置:主题是舒服地坐在椅子上,与躯干挺直,头部直,脖子直,上肢自然挂在两边的身体(中间位置),下肢自然放松,和膝盖弯曲90°

提高偏瘫的手臂在矢状面水平高度(90°弯曲肩膀)

曲肘,用手掌触摸相反的肩膀(屈肘和前臂旋转)

上肢自然恢复到初始位置(肩部扩展,肘部扩展和前臂旋转);因此,数据样本的数量在每个时期等于36;总共有180个样本

在模拟数据收集阶段,图 3显示了这个示例三轴加速度数据收集的两个IMU的前臂和上臂Brunnstrom族化合物模拟运动障碍同样的话题。实线是三轴加速度数据收集的IMU在前臂的位置,而虚线是乌兹别克斯坦伊斯兰运动的三轴加速度数据在前臂的位置。从图可以看出 3由于不同的严重程度,病人的手臂呈现不同的分布规则的过程中执行相同的活动。II期患者有更高的严重性,上肢关节不能实现全方位的活动。

示例IMU加速度数据在不同阶段的主题。由于不同的严重程度,病人的手臂呈现不同的分布规则的过程中执行相同的活动。

从图 4,我们首先观察到深度学习模型基于循环神经网络具有更好的性能比线性模型在所有指标。至于逻辑回归模型,其平均在5分类精度为27.80%,平均AUROC 0.53和AUPRC 0.35,这是最糟糕的表现在所有的模型。这与以前的研究结果是一致的,将神经网络与线性模型的时间序列数据。深度学习方法越来越复杂的参数比传统的学习方法,可以提取更丰富和更准确的特点。

样本数据的受试者前臂IMU传感器。至于逻辑回归模型,其平均在5分类精度为27.80%,平均AUROC 0.53和AUPRC 0.35。

为了进一步证明该方法的性能效果,我们分析测试集上的混淆矩阵的方法。表 1表示TARM的混淆矩阵和LR在测试集分类结果。每个Brunnstrom TARM一致在分类数据阶段,第三和第四阶段损伤患者,根据损伤的位置。上肢运动更复杂的比其他阶段的病人,导致不稳定的数据分类的这些阶段LR模型。

Brunnstrom分期混淆矩阵(TARM)。

地面实况 分类和
预测 第二阶段 第二阶段 第三阶段 四期 第五期 第六阶段
第三阶段 7 0 0 0 0 7
四期 0 9 0 0 0 9
第五期 0 3 0 0 0 9
第六阶段 0 0 0 0 6 6
不。的样本 7 9 9 6 5 5
精度 100% 100% 100% 100% 100%
4所示。结论

评价康复在康复治疗的过程中是一个重要的联系,这是建立康复计划的基础和评价康复效果。针对上肢运动功能障碍,常发生中风后,基于现有的客观性和性能缺陷的临床康复评估方法和自动评价研究,深度学习技术首次应用于自动评价研究中风的康复。首先,分析了常用的临床量表,运动测量系统设计根据评价项目内容和评分的要求。然后,不同的深度学习算法模型的输出是根据数据特点和预期的输出。最后,这种自动评价相关研究与深度学习算法来验证该方法是一种更好的方法实现上肢运动功能的自动评估任务。实验表明,经过训练的安有相同的分数作为人类的大部分数据(82.2%,科恩kappa = 0.743)。安之间有很强的相关性和改进Ashworth分数评估人工评分(<我t一个lic> r= 0.825,<我nline-formula> p < 0.01 )。安的这些特征可以帮助学习大量的临床数据,然后生成一个稳定的临床评价模型,提高康复评估的准确性和效率,减少工作强度康复医生和治疗师,和缓解当前康复资源紧缺。使用测量方法,尽管干扰的程度很低,很容易产生测量误差,影响数据的质量,缺失值,和其他问题。在数据分析方面,收集到的数据通过神经网络缺乏丢失处理。

 数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

 的利益冲突

作者宣称没有利益冲突。

 确认

这项工作是支持中国湖南省教育局的一部分(没有。15 b061)。

 最小值 K。 Beom J。 金 b R。 临床实践指南在老年髋部骨折患者术后康复 《康复医学 2021年 45 3 225年 259年 10.5535 / arm.21110 Suwarno 年代。 绩效评估预测的人工神经网络分类器选择剖腹产 国际科学与技术研究杂志》上 2019年 8 9 1843年 1846年 Vukicevic a . M。 Jovicic g·R。 Jovicic m . N。 Milicevic 诉L。 Filipovic n D。 评估皮质骨折阻力曲线的融合人工神经网络和线性回归 计算机在生物力学和生物医学工程的方法 2018年 21 2 169年 176年 10.1080 / 10255842.2018.1431220 2 - s2.0 - 85041354734 Papathanasiou j . V。 Carraro U。 老年患者的术后康复 老年病学的实际问题 2018年 47 469年 475年 10.1007 / 978 - 3 - 319 - 57406 - 6 _47 普赖尔 M。 腐肉 R。 王 R。 亨利 G。 066年前瞻性评估术后阴茎康复:阴茎形态学和病人满意度康乐保泰坦充气阴茎假体后2年 《性医学杂志》上 2016年 13 5 S32 10.1016 / j.jsxm.2016.02.069 威尔金森 b G。 Donnenwerth J·J。 彼得森 a。R。 使用血液流动限制术后康复训练 当前的运动医学报告 2019年 18 6 224年 228年 10.1249 / jsr.0000000000000604 2 - s2.0 - 85066928549 莫雷 答:F。 艾伦 F。 Re:前瞻性评估术后阴茎康复:阴茎长度/康乐保泰坦充气假阴茎周长维护后1年 泌尿学杂志 2016年 195年 2 10.1016 / j.juro.2015.10.147 2 - s2.0 - 84953790050 Dusenberry m·W。 布朗 c K。 布鲁尔 k . L。 人工神经网络:预测头部ct发现老年患者出现轻微头部受伤后下降 美国急诊医学杂志》上 2017年 35 2 260年 267年 10.1016 / j.ajem.2016.10.065 2 - s2.0 - 85006857343 伊 O。 HKkinen 一个。 德克 J。 他们的生活质量和残疾:能提高活跃术后康复患者的脊柱融合手术后脊椎前移呢?随访12个月的随机对照试验 欧洲脊柱杂志》 2017年 26 3 1 8 10.1007 / s00586 - 016 - 4789 - 5 2 - s2.0 - 84989158677 伊 O。 哈基宁 一个。 德克 J。 Pekkanen l Piitulainen K。 知识工作者 年代。 Marttinen 我。 Vihtonen K。 涅瓦河 m . H。 他们的生活质量和残疾:能提高活跃术后康复患者的脊柱融合手术后脊椎前移呢?随访12个月的随机对照试验 欧洲脊柱杂志》 2017年 26 3 1 8