Deep Neural Network für die Ganganalyse und -klassifizierung von Schlaganfallpatienten

Abnormale Gangmuster können bei Schlaganfallpatienten beobachtet werden, die in der Lage sind, ein Gehtraining zu beginnen, einschließlich Zirkumduktionsgang, Fallfuß, Hüftwandern und Genu recurvatum. Die ersten 6 Monate nach einem zerebrovaskulären Vorfall gelten als die goldene Zeit für die Rehabilitation nach einem Schlaganfall, daher wird eine intensive Intervention während dieser Zeit Schlaganfallpatienten erheblich helfen. Gegenwärtig verlassen sich klinische Behandlungsmethoden immer noch stark auf subjektive Diagnosen durch Physiater und Therapeuten, daher hoffen die Forscher, dass die Etablierung einer objektiveren Methode zur Klassifizierung abnormaler Gangmuster eine bedeutendere Unterstützung bei der langfristigen Rehabilitationsplanung bieten wird.

In dieser Beobachtungsstudie planen die Forscher die Rekrutierung von 100 Schlaganfallpatienten mit dem allerersten einseitigen Schlaganfall, die in der Lage sind, 6 Minuten lang ohne Hilfe auf einer ebenen Fläche zu gehen. Zu den Einschlusskriterien gehören ein Alter über 20 Jahre mit erstmaligem Schlaganfall und betroffener unterer Extremität im Brunnstrom-Stadium III-V und funktionelle Gehfähigkeit der Kategorie VI. Die Teilnehmer sollten in der Lage sein, 6 Minuten lang ohne Hilfe auf einer ebenen Fläche zu gehen, und ihre Mini-Mental State Examination (MMSE) sollte über 25 liegen, was bedeutet, dass die Teilnehmer Anweisungen befolgen und mit den Ermittlern in dieser Studie zusammenarbeiten können. Zu den Ausschlusskriterien gehören schwere Erkrankungen des Zentralnervensystems (ZNS)/peripherer neurologischer Erkrankungen mit Ausnahme von Schlaganfällen und solche mit hohem Sturzrisiko beim Gehen. Diejenigen, die mit dem Testen nicht kooperieren können und schwere visuelle / auditive / kognitive Defizite haben, werden ebenfalls ausgeschlossen. Patienten mit Frakturen der unteren Gliedmaßen innerhalb der letzten 6 Monate sind ebenfalls ausgeschlossen.

Die Ermittler rekrutieren Teilnehmer aus Ambulanzen und Physiotherapieräumen, und die Patienten erhalten vor/nach dieser Gangstudie keine zusätzlichen Medikamente. Die Teilnehmer werden ihre Physiotherapieprogramme sowie ihre medizinische Behandlung ohne Einschränkung durch die Teilnahme an dieser Studie fortsetzen. Die Studienmethode in dieser Studie besteht darin, mehrere Trägheitsmesseinheiten (IMUs) an den bilateralen Handgelenken, Knöcheln und Becken der Teilnehmer festzuschnallen, und die Teilnehmer werden gebeten, 6 Minuten lang in ihrem bequemsten Tempo auf einer ebenen Fläche im Haus zu gehen. Die in dieser Studie verwendeten IMUs bestehen aus einem 3-Achsen-Beschleunigungsmesser, einem 3-Achsen-Gyroskop und einem 3-Achsen-Magnetometer mit einer höchsten Abtastrate von 128 Hz. Nicht-invasive Orthesen wie Knöchel-Fuß-Orthesen (AFO) sind erlaubt, um die Gangstabilität und -symmetrie zu erhöhen. Währenddessen erfassen erfahrene klinische Physiotherapeuten und Physiotherapeuten, ob das Gangbild der Patienten auffällige Gangmuster wie Zirkumduktionsgang, Fallfuß, Hüftwandern oder hinteres Knie aufweist. Die Teilnehmer dürfen nach Abschluss des 6-minütigen Gehtests ohne Beschwerden gehen.

Ein Deep Neural Network (DNN)-Modell wird konstruiert, um für die Analyse abnormaler Gangmuster trainiert zu werden. Das für diese Studie erstellte DNN-Modell besteht aus einer Eingabeschicht, 6 verborgenen Schichten, einer Erkennungsausgabeschicht und einer Klassifizierungsausgabeschicht. Jede verborgene Schicht besteht aus 100 Neuronen, und die Erkennungsausgabeschicht kennzeichnet alle Gangdaten als normale Gangart [1,0] oder Schlaggang [0,1]. Danach kennzeichnet die Klassifizierungsschicht jedes abnormale Schlaggangmuster als Schlaggang, Zirkumduktionsgang, Fallfuß, Hüftwandern und hinteres Knie als [1,1,1,1,1]. Nach Abschluss der Erfassung klinischer Gangdaten von Teilnehmern dieser Studie verwenden die Ermittler die gesammelten Gangdaten für das DNN-Training, und die Ermittler verwenden die k-fache Kreuzvalidierungsmethode, um die Gangdaten der Teilnehmer nach dem Zufallsprinzip in 5 Sammlungen aufzuteilen, von denen 4 als Training verwendet werden Daten, während die verbleibenden als Testdaten verwendet werden, und der Test wird fünfmal wiederholt. Anschließend vergleichen die Ermittler klinisch beobachtete Informationen von Physiatern/Therapeuten und die Ergebnisse des DNN-Modells, um festzustellen, ob das DNN-Modell verfügbar ist, um Zirkumduktionsgang, Fallfuß, Hüftwandern und Genu recurvatum zu unterscheiden.