DOI: https://doi.org/10.1038/s41746-024-01136-2
PMID: https://pubmed.ncbi.nlm.nih.gov/38796519
تاريخ النشر: 2024-05-25
المؤلف: Assaf Zadka وآخرون
الموضوع الرئيسي: التوازن، والمشي، والوقاية من السقوط
الطرق
تتضمن منهجية هذا البحث عدة خطوات رئيسية: تجميع قاعدة بيانات غير محددة الهوية من بيانات تم جمعها سابقًا، المعالجة المسبقة، تقسيم الخطوات، استخراج الميزات واختيارها، تليها تطوير نموذج لتقدير طول الخطوة. يتم تمثيل العملية بصريًا في الشكل 5، مع تقديم تفسيرات مفصلة في الأقسام التالية.
بالإضافة إلى ذلك، التزمت التحليلات الثانوية بالمعايير الأخلاقية، بما في ذلك إعلان هلسنكي، وحصلت على موافقة من لجنة الدراسات البشرية في مركز تل أبيب سورسكي الطبي. من المهم أن يتم الحصول على موافقة خطية مستنيرة من جميع المشاركين المعنيين في دراسات جمع البيانات الأصلية.
النتائج
يقدم قسم النتائج بيانات ديموغرافية وخصائص مجموعات المشاركين المعنية في الدراسة، والتي تم تقييمها باستخدام ممر زينو. يتم تلخيص المقاييس الرئيسية مثل العمر والطول وطول الخطوة في الجدول 1، جنبًا إلى جنب مع نسبة المشاركات الإناث. تشمل الدراسة ثلاث مجموعات رئيسية من المشاركين: الأفراد المصابين بمرض باركنسون (PD)، أولئك الذين يعانون من ضعف إدراكي خفيف (MCI)، وكبار السن (OA)، مما يشير إلى مجموعة متنوعة من القيم في البيانات المجمعة.
تم تنظيم البيانات في إطار تدريب واختبار لتجارب التعلم الآلي (ML). يتم تفصيل مجموعة البيانات الرئيسية، المشار إليها باسم “مجموعة الاختبار”، في القسم العلوي من الجدول 1، بينما تشمل الأقسام التالية مجموعات بيانات خارج التوزيع تتكون من أفراد مصابين بالتصلب المتعدد، ومراقبين أصحاء متطابقين في العمر، ومواضيع إضافية من PD. تعمل هذه المجموعات خارج التوزيع كمجموعة تحقق لتقييم قدرات تعميم النموذج. يعد تقييم أداء النموذج على هذه البيانات المتنوعة مساهمة كبيرة في البحث، مما يظهر قوة نموذج ML المختار والميزات المرتبطة به.
المناقشة
في هذا القسم، يناقش المؤلفون أداء نماذج التعلم الآلي (ML) المختلفة لتقدير طول الخطوة من وحدة قياس قصور ذاتي واحدة (IMU) موضوعة على أسفل الظهر. تفوق نموذج XGBoost على النماذج الأخرى، محققًا خطأ جذر متوسط المربعات (RMSE) قدره 6.08 سم لتقديرات الخطوة الواحدة، مع تحسين الدقة عند المتوسط عبر خطوات متعددة. قللت تقنية المتوسط بشكل كبير من قيم RMSE إلى 4.79 سم لمتوسطات 10 خطوات، على الرغم من أنها أضعفت القدرة على تقييم التباين بين الخطوات، وهو أمر حاسم لتحليل ديناميات المشي. اختلف أداء النموذج عبر مجموعات المشاركين المختلفة، حيث لوحظ أعلى RMSE في الأفراد المصابين بمرض باركنسون (PD) وأدنى مستوى في أولئك الذين يعانون من ضعف إدراكي خفيف (MCI).
كما يقدم المؤلفون نموذجًا غير مقسم يلغي الحاجة إلى تقسيم الخطوات، مما يجعله أكثر ملاءمة للتطبيقات في الوقت الحقيقي. أظهر هذا النموذج RMSE مشابه لسرعة المشي مقارنة بالنموذج المقسم الأصلي، مما يشير إلى إمكانيته للاستخدام العملي في البيئات اليومية. أظهرت التحقق عبر مجموعات بيانات متعددة قوة النموذج، على الرغم من أن الأداء اختلف مع ظروف المشي، خاصة أثناء المشي السريع وسيناريوهات المهام المزدوجة. تسلط النتائج الضوء على نقاط القوة والقيود في النموذج، مما يبرز الحاجة إلى مزيد من التحسين، خاصة في التطبيقات الواقعية ولأطوال الخطوات القصوى. بشكل عام، تقدم الدراسة نموذج XGBoost كأداة واعدة لتقدير طول الخطوة بدقة في مجموعات سكانية متنوعة، مما يمهد الطريق لدمجه في الممارسة السريرية.
DOI: https://doi.org/10.1038/s41746-024-01136-2
PMID: https://pubmed.ncbi.nlm.nih.gov/38796519
Publication Date: 2024-05-25
Author(s): Assaf Zadka et al.
Primary Topic: Balance, Gait, and Falls Prevention
Methods
The methodology of this research involves several key steps: the assembly of a deidentified database from previously collected data, preprocessing, step segmentation, feature extraction and selection, followed by the development of a model to estimate step length. The process is visually represented in Figure 5, with further detailed explanations provided in subsequent sections.
Additionally, the secondary analysis adhered to ethical standards, including the Declaration of Helsinki, and received approval from the human studies committee of the Tel Aviv Sourasky Medical Center. Importantly, written informed consent was obtained from all participants involved in the original data collection studies.
Results
The results section presents demographic data and characteristics of the participant groups involved in the study, which were assessed using the Zeno Walkway. Key metrics such as age, height, and step length are summarized in Table 1, alongside the percentage of female participants. The study encompasses three primary participant groups: individuals with Parkinson’s disease (PD), those with mild cognitive impairment (MCI), and older adults (OA), indicating a diverse range of values in the collected data.
The data was organized into a training and testing framework for machine learning (ML) experiments. The main dataset, referred to as the “test set,” is detailed in the upper section of Table 1, while the subsequent sections include out-of-distribution datasets comprising individuals with multiple sclerosis, age-matched healthy controls, and additional PD subjects. These out-of-distribution datasets serve as a validation set to assess the model’s generalization capabilities. The evaluation of the model’s performance on this diverse data is a significant contribution of the research, demonstrating the robustness of the selected ML model and its associated features.
Discussion
In this section, the authors discuss the performance of various machine learning (ML) models for estimating step length from a single inertial measurement unit (IMU) placed on the lower back. The XGBoost model outperformed other models, achieving a root mean square error (RMSE) of 6.08 cm for single-step estimations, with improved accuracy when averaging over multiple steps. The averaging technique significantly reduced RMSE values to 4.79 cm for 10-step averages, although it compromised the ability to assess step-to-step variability, which is crucial for analyzing gait dynamics. The model’s performance varied across different participant groups, with the highest RMSE observed in individuals with Parkinson’s disease (PD) and the lowest in those with mild cognitive impairment (MCI).
The authors also introduce a non-segmented model that eliminates the need for step segmentation, making it more suitable for real-time applications. This model demonstrated comparable gait speed RMSE to the original segmented model, suggesting its potential for practical use in everyday settings. Validation across multiple datasets indicated the model’s robustness, although performance varied with walking conditions, particularly during fast walking and dual-task scenarios. The findings highlight the model’s strengths and limitations, emphasizing the need for further refinement, especially in real-world applications and for extreme step lengths. Overall, the study presents the XGBoost model as a promising tool for accurate step length estimation in diverse populations, paving the way for its integration into clinical practice.