MCKOA 患者のリアルタイム バイオフィードバック階段歩行リハビリテーションによる下膝関節荷重

従来、KAM などの生体力学的マーカーの評価には、高度なモーション キャプチャ システムとフォース プレートが必要なため、歩行再訓練は必然的に実験室環境で実施されていました。 ウェアラブル センサー技術の進歩により、軽量でポータブルなワイヤレス デバイスである慣性測定ユニット (IMU) を使用して、歩行のバイオメカニクスを測定し、歩行再訓練のためのリアルタイムのバイオフィードバックを提供することが可能になりました。 進行中の政府資金によるプロジェクトで、研究者は、平地歩行中に KAM を測定する IMU 組み込みフットウェアを開発しました。 研究者は、IMU 記録からの KAM の予測において、最小絶対収縮および選択演算子 (LASSO) 回帰とランダム フォレストを比較しました。 調査者は、ランダム フォレストが LASSO 回帰よりもはるかに高い KAM 予測精度を提供できることを発見しました。 KAM の従来の実験室ベースの測定とセンサーベースの測定の間の一致は、約 90% でした。 研究者の以前の研究作業に基づいて、実験装置を使用せずに階段の昇降中に KAM 測定のために新しく開発された技術を拡張することは有意義です。 ウェアラブル センサーをスマートフォンに接続することで、ラボ環境外での歩行再トレーニングが可能になりますが、ウェアラブル センサーを使用した歩行再トレーニングの効果は直接検証されていません。

これらを考慮すると、このプロジェクトには主に 2 つの目的があります。 調査員は次のことを行います。(1) まず、階段の昇降中に IMU センサーを使用して KAM を予測するための機械学習アルゴリズムを確立します。 (2) 3群の無作為化対照試験を実施して、従来の実験室ベースの階段再訓練、センサーベースの階段再訓練、および歩行運動制御(すなわち歩行なしの歩行運動)のコースを受けた患者間の生体力学的および臨床的差異を比較する再訓練）。

一次仮説

仮説 1: ウェアラブル IMU は、機械学習アルゴリズムを使用して、階段のネゴシエーション中に KAM を正確に予測し、KAM の従来の計算と少なくとも 80% の測定一致を示します。

仮説 2: 実験室ベースおよびセンサーベースの階段再訓練条件に無作為に割り付けられた患者は、KAM の減少 (主要な結果) と症状の改善 (二次的な結果) が同様の (つまり、弱くて有意でない差) ことを証明しますが、これらは被験者は、歩行運動制御条件に割り当てられた被験者よりも KAM の大幅な減少を証明します。