基于小腿惯性传感器的使用机器学习进行MCI自动筛选
今天给大家分享一篇基于小腿惯性传感器的使用机器学习进行MCI自动筛选的文章。
1.?参与者和数据收集
共有60名老年受试者从韩国光州国家痴呆症研究中心登记的个体库中招募，其中包括30名认知正常（CN）和30名MCI诊断的参与者。
所有参与者都接受了全面的临床访谈、影像学和神经心理学评估。
（1）使用MMSE评估他们的整体认知能力
（2）使用首尔神经心理筛查组（SNSB）进行神经心理学评估，SNSB由五个主要认知领域组成，即注意、语言、视觉空间、记忆和额叶/执行领域。
（3）通过磁共振成像（MRI）扫描大脑结构，并通过正电子发射断层扫描（PET）检查β淀粉样蛋白（βA）斑块。
排除标准：在MRI上显示出局灶性脑损伤、除AD以外的痴呆症，以及可能影响认知功能和步态的任何其他重大医学、神经或精神疾病的受试者被排除在本研究之外。
所有参与者的人口统计学和神经心理特征及其p值如下图所示：
?
实验方案由正常或单一任务组成（ST）和双任务（DT）行走试验由在每根小腿上佩戴惯性传感器的受试者进行。受试者被要求沿着一条10米长的直行走道行走，转身，然后以自己的“正常”步行速度回到10米的起点。实验方式如下图所示：
?
在双任务步行场景中，受试者被要求在正常配速步行的同时执行额外的认知任务，这两个任务分别为：
（1）从70开始倒数（DC）
（2）说出动物的名字（NA）
本实验使用可穿戴式微光3惯性传感器，由三轴加速度计和三轴陀螺仪组成。使用校准程序对传感器进行预校准，并将其配置为测量范围±4.0g，采样率为64 Hz。传感器连接到每个受试者的中小腿，其x、y和z轴分别与受试者的前后（AP）、垂直（V）和中外侧（ML）轴对齐。在实验过程中，传感器的数据被采集并通过蓝牙传输到附近的笔记本电脑上，并使用ConsensysPRO软件记录时间同步数据。一名观察者对数据进行了注释，以突出显示6米左右的步行距离。
2.?步态参数提取
人类的步态或行走模式具有伪周期性，步态模式可分为周期或步幅，在步态事件（GE）的帮助下，每个周期可进一步分为摆动和站立步态阶段，本文定义的GE如下：
?脚趾离地（TO）：终端接触或脚趾离地或最终接触是指脚离开地面的瞬间。
?脚跟撞击（HS）：初始接触或脚跟撞击是指摆动后脚落地以支撑体重的瞬间。
本文采用峰值检测方法检测连续行走信号中的每一步。使用MATLAB中的findpeaks函数（“minpeakheight=90”）用于定位沿z轴的低通滤波（八阶巴特沃斯滤波器，fc=6 Hz）角速度信号中的中摆峰值。低通滤波信号用于抑制HS点处的尖峰，并避免其作为新的步幅被检测到。在检测到每一步后，我们缩小了每个步态周期中HS和TO的搜索范围，以便在不丢失任何点的情况下准确地找到GEs。
GE检测算法首先确定不可能发生GE的时间间隔，即每个肢体的可信摆动（TSW）和可信站姿（TST）。这种方法显著减少了搜索HS和TO的时间间隔（TTO、THS），从而降低了额外GE检测的风险。最后，TO和HS分别被识别为TTO和THS搜索间隔中的负峰值和第一负局部最小值。
主要提取的步态特征：摆动时间、站立时间、双倍支撑时间、步幅时间、步进时间、节奏、摆动周期、站立时间、双支撑时间、步态速度（通过将步行距离（6 m）除以时间来获得步态速度参数）
变异系数（CV）：标准偏差与任何步态参数平均值的比率（百分比）。
角度相关参数的计算：
步态周期中的小腿角度沿垂直于地面的中矢状面。零小腿角度表示脚平放在中间站立或中间摆动的瞬间。正值表示围绕膝关节向前旋转，负值表示围绕膝关节向后旋转，脚后跟向上。计算小腿角度的平均值、标准偏差、最小值和最大值。示意图如下所示：
?
非线性特征提取技术
动态系统轨迹的几何表示在相位平面中称为相位肖像。通常，位置信息通常根据其一次导数绘制，通过量化这种几何形状，可以提取不同的步态参数。本实验提取的步态参数如下：
步态可变性、步态复杂度、步态规律性。
?
3.?结果与讨论
主要结论如下：
ANOVA检验用于发现显著差异CN和MCI受试者之间的步态参数。表2列出了在不同步行场景下获得的步态参数的p值。
在ST和DT步行场景中，CN和MCI患者之间存在许多显著不同的步态参数。然而，DT情景增加了步态参数的辨别力，因为它们的p值比ST情景小。在DT情景中，与DT-DC相比，DT-NA会使MCI的行走模式恶化，并产生更多显著不同的步态参数。
?
MKL-SVM被用作分类，对于每种特征选择方法，最佳分类模型如下所示：
?
结果表明，M3模型的灵敏度为83%，准确度为70%，是最好的。尽管如此，M4模型的准确率最高，为71.67%。有趣的是，这两种模型都基于MI-FS技术，与其他模型相比，它们使用的功能数量最少。
为了验证MKL-SVM模型的优越性，其他还对分类技术进行了评估。表4总结了M7-M15型所代表的每种特征选择方法的每种分类技术的最佳性能。
?
最大准确度为68.33%，由两个模型实现，即M9-DT和M12-RF，使用特征中心FS方法。通过比较表3和表4中给出的结果，我们注意到，使用MKL-SVM作为具有互信息FS准则的分类器，获得的最高精度为71.67%，灵敏度为83.33%。
扫描下方二维码获得原文：
?
?
?
?
?
?
?
?
