Syvä hermoverkko aivohalvauspotilaan kävelyn analysointiin ja luokitukseen

Poikkeavia kävelykuvioita voidaan havaita aivohalvauspotilailla, jotka pystyvät aloittamaan ambulaatioharjoittelun, mukaan lukien ympärileikkauskävely, jalan lasku, lonkkavaellus ja genu recurvatum. Ensimmäiset 6 kuukautta aivoverenkiertohäiriön jälkeen pidetään aivohalvauksen jälkeisen kuntoutuksen kultaisena ajanjaksona, joten intensiivinen interventio tänä aikana tarjoaa merkittävää apua aivohalvauspotilaille. Tällä hetkellä kliiniset hoitomenetelmät ovat edelleen vahvasti riippuvaisia ​​fysiatrien ja terapeuttien subjektiivisesta diagnoosista, joten tutkijat toivovat, että luomalla objektiivisemman menetelmän poikkeavien kävelytapojen luokitteluun se tarjoaa merkittävämpää apua pitkän aikavälin kuntoutuksen suunnittelussa.

Tässä havainnointitutkimuksessa tutkijat aikovat värvätä 100 aivohalvauspotilasta, joilla on ensimmäinen yksipuolinen aivohalvaus ja jotka pystyvät kävelemään tasaisella pinnalla 6 minuuttia ilman apua. Sisällytämiskriteereihin kuuluvat yli 20-vuotiaat, joilla on ensikertalainen aivohalvaus ja sairastunut alaraajan Brunnströmin vaihe III-V, sekä toiminnallinen ambulaatioluokka VI. Osallistujien tulee pystyä kävelemään tasaisella pinnalla ilman apua 6 minuuttia ja heidän mini-mental state -tutkimuksensa (MMSE) tulisi olla yli 25, mikä tarkoittaa, että osallistujat voivat noudattaa määräyksiä ja tehdä yhteistyötä tutkijoiden kanssa tässä tutkimuksessa. Poissulkemiskriteereitä ovat vakavat keskushermoston (CNS)/perifeeriset neurologiset häiriöt aivohalvausta lukuun ottamatta ja sellaiset, joilla on suuri riski kaatua kävelyn aikana. Myös ne, jotka eivät pysty tekemään yhteistyötä testauksen kanssa ja joilla on vakavia näkö-/kuulo-/kognitiopuutteita, suljetaan pois. Potilaat, joilla on alaraajan murtuma viimeisten 6 kuukauden aikana, on myös jätetty pois.

Tutkijat rekrytoivat osallistujia poliklinikoista sekä fysioterapiahuoneista, eivätkä potilaat saa ylimääräisiä lääkkeitä ennen/jälkeen tätä kävelytutkimusta. Osallistujat jatkavat fysioterapiaohjelmiaan sekä lääketieteellistä hoitoa ilman rajoituksia osallistumalla tähän tutkimukseen. Tämän tutkimuksen tutkimusmenetelmänä on kiinnittää useita inertiamittausyksiköitä (IMU) osallistujien kahdenvälisiin ranteisiin, nilkoihin ja lantioon, ja osallistujia pyydetään kävelemään sisätiloissa tasaisella alustalla 6 minuuttia mukavimmalla tahdilla. Tässä tutkimuksessa käytetyt IMU:t koostuvat 3-akselisesta kiihtyvyysmittarista, 3-akselisesta gyroskoopista ja 3-akselisesta magnetometristä, joiden suurin näytteenottotaajuus on 128 Hz. Ei-invasiiviset ortoosit, kuten nilkka-jalka-ortoosi (AFO), saavat lisätä kävelyn vakautta ja symmetriaa. Samaan aikaan kokeneet kliiniset fysiatrit ja fysioterapeutit tallentavat, onko potilaiden kävelykuvioissa epänormaalia kävelyä, kuten ympärileikkauskävelyä, jalan laskua, lonkkavaellusta tai selkäpolvea. Osallistujat saavat poistua 6 minuutin kävelytestin jälkeen ilman epämukavuutta.

Deep neural network (DNN) -malli on rakennettu koulutettavaksi epänormaalin kävelymallin analysointiin. Tätä tutkimusta varten rakennettu DNN-malli koostuu syöttökerroksesta, 6 piilokerroksesta, ilmaisutulostekerroksesta ja luokituksen tulostekerroksesta. Jokainen piilotettu kerros koostuu 100 neuronista, ja tunnistustulostekerros merkitsee jokaisen kulkutiedon normaaliksi kävelyksi[1,0] tai lyöntikävelyksi[0,1]. Myöhemmin luokittelukerros merkitsee jokaisen epänormaalin lyöntikävelykuvion lyöntikävelyksi, ympärileikkauskävelyksi, jalan laskuksi, lonkkavaellukseksi ja takapolveksi [1,1,1,1,1]. Kerättyään kliiniset kävelytiedot tämän tutkimuksen osallistujilta tutkijat käyttävät kerättyjä kävelytietoja DNN-koulutukseen, ja tutkijat käyttävät k-kertaista ristivalidointimenetelmää osallistujien kävelytietojen jakamiseksi satunnaisesti viiteen kokoelmaan, joista neljää käytetään koulutuksena. dataa, kun taas loput käytetään testaustietoina, ja testaus toistetaan 5 kertaa. Tämän jälkeen tutkijat vertaavat fysiatreiden/terapeuttien kliinisiä havaittuja tietoja ja DNN-mallin tuloksia nähdäkseen, onko DNN-malli saatavilla erilaistavan ympärileikkauskävelyn, jalan laskun, lonkkavaelluksen ja todellisen recurvatumin osalta.