UPPSKATTNING AV BALANSSTATUS I HEMIPARETICS

Deltagarnas demografi och kliniska information registrerades. Klinisk information består av några grundläggande medicinska data för patienterna. Hodkinson Mental Test användes för att bedöma deltagarnas kognitiva status om de uppfyllde inklusionskriterierna. Balance Evaluation Systems Test användes för att bedöma balansstatus för deltagarna.

Feed-forward back-propagation ANNs användes i denna studie genom att använda Levenberg-Marquardt träningsalgoritm. Tangent hyperboliska överföringsfunktioner användes i det dolda lagret. Matlab (version R2017b, Mathworks Inc, USA) användes i ANNs modellering. 70 % (n=46), 15 % (n=10) och 15 % (n=10) av de data som erhölls från deltagarna användes för träning, validering respektive test i studien. Multipel linjär regression (MLR) modeller användes också för att jämföra med ANNs.

För det första modellerades ANN för studiens första syfte. Vi använde data från de fem traditionella balanstesterna i BESTest som inte använde de verkliga värdena (timingen eller avståndet), utan bara de klassificerade värdena (0-3 poäng i BESTest) för att träna ANN. Fem balanstester var funktionell räckviddstest (cm), stående test för ett ben för höger och vänster sida (sek), 6-meters gångtest (sek) och timed up and go test (sek). Sedan jämför vi de manuella totala BÄSTA poängen med de förutspådda poängen av ANN:erna.

För det andra tog vi bort 6 sektioner av BESTest en efter en och modellerade med de återstående 5 sektionerna av testet för att uppskatta det totala BESTest poängen. Efter denna modellering tog vi bort varje objekt en efter en i den första sektionen och uppskattade den första sektionens totalpoäng. Vi upprepade processen för alla sektioner av BESTest.

Statistisk analys