Deep Neural Network för strokepatients gånganalys och klassificering

Onormala gångmönster kan observeras bland strokepatienter som kan påbörja ambulationsträning, inklusive cirkumduktionsgång, fallfot, höftvandring och genu recurvatum. De första 6 månaderna efter en cerebrovaskulär incident anses vara den gyllene perioden för rehabilitering efter stroke, därför kommer intensiv intervention under denna period att ge betydande hjälp till strokepatienter. För närvarande är kliniska behandlingsmetoder fortfarande starkt beroende av subjektiv diagnos från fysiater och terapeuter, därför hoppas forskare genom att etablera en mer objektiv metod för att klassificera onormala gångmönster, att den kommer att ge mer betydande hjälp under långsiktig rehabiliteringsplanering.

I denna observationsstudie planerar utredarna att rekrytera 100 strokepatienter med den första ensidiga stroken någonsin och kan gå på en plan yta i 6 minuter utan hjälp. Inklusionskriterier inkluderar ålder över 20 år med första gången stroke och påverkad nedre extremitet Brunnström stadium III-V, och funktionell ambulation kategori VI. Deltagarna ska kunna gå på en plan yta utan hjälp i 6 minuter och deras Mini-Mental State Examination (MMSE) ska vara över 25, vilket innebär att deltagarna kan följa order och samarbeta med utredarna i denna studie. Uteslutningskriterier inkluderar allvarliga störningar i centrala nervsystemet (CNS)/perifera neurologiska störningar förutom stroke, och de med hög risk att falla ner under promenader. De som inte kan samarbeta med testning och med allvarliga visuella/auditiva/kognitionsbrister är också uteslutna. Patienter med frakturer under de senaste 6 månaderna är också uteslutna.

Utredarna rekryterar deltagare från polikliniker samt fysioterapirum och patienter kommer inte att få några extra mediciner före/efter denna gångstudie. Deltagarna kommer att fortsätta sina sjukgymnastikprogram samt medicinska behandlingar utan några begränsningar genom att delta i denna studie. Studiemetoden i denna studie är att fästa flera tröghetsmätenheter (IMU) på deltagarnas bilaterala handleder, vrister och bäcken, och deltagarna uppmanas att gå inomhus på en plan yta i 6 minuter i deras mest bekväma tempo. IMU:erna som används i denna studie består av en 3-axlig accelerometer, 3-axlig gyroskop och 3-axlig magnetometer, med en högsta samplingshastighet på 128Hz. Icke-invasiv ortos såsom fotled-fot ortos (AFO) tillåts för att öka gångstabilitet och symmetri. Samtidigt kommer erfarna kliniska fysioterapeuter och sjukgymnaster att registrera om patienternas gångmönster visar onormala gångmönster som cirkumduktionsgång, fallfot, höftvandring eller bakre knä. Deltagarna får lämna efter avslutat 6 minuters gångtest utan några obehag.

En modell för djupt neuralt nätverk (DNN) är konstruerad för att tränas för analys av onormalt gångmönster. DNN-modellen som konstruerats för denna studie består av ett ingångsskikt, 6 dolda skikt, detektionsutgångsskikt och klassificeringsutgångsskikt. Varje gömt lager består av 100 neuroner och detektionsutgångsskikt kommer att märka varje gångdata som normal gång[1,0] eller slaggång[0,1]. Efteråt kommer klassificeringsskiktet att märka varje onormalt slaggångsmönster som slaggång, cirkumduktionsgång, fallfot, höftvandring och bakre knä som [1,1,1,1,1]. Efter att ha samlat in kliniska gångdata från deltagare i denna studie använder utredarna de insamlade gångdata för DNN-träning, och utredarna använder k-faldig korsvalideringsmetod för att dela upp deltagarnas gångdata i 5 samlingar slumpmässigt, med 4 av dem som träning data medan de återstående används som testdata, och testningen kommer att upprepas 5 gånger. Sedan kommer utredarna att jämföra klinisk observerad information gjord av sjukgymnaster/terapeuter och DNN-modellresultat för att se om DNN-modellen är tillgänglig för att differentiera cirkumduktionsgång, fallfot, höftvandring och genu recurvatum.