Makine öğrenmesi ile kinematik veriden serebral palsili hastalarınyürüyüş karakteristiğinin analizi

Abstract

Serebral palsi (SP), nöromotor fonksiyon bozuklarına dayanan bir rahatsızlıktır ve özellikle yürüme kinematiğini etkileyebilir. SP'li hastaların hareket yeteneklerini iyileştirmek için kişiye özgü değerlendirmelere ihtiyaç vardır. Bu değerlendirmeler için laboratuvarlarda kullanılan yer tepki kuvveti (YTK) ölçümleri, SP hastalarının tedavisinde önemli bir rol oynar. Ancak YTK'nin doğal yürüyüş sırasında ölçülmesi zor ve donanım gerektirdiği için maliyetlidir. Bu çalışmada SP'li hastaların YTK'lerini kuvvet platformlarına ihtiyaç duymadan tahmin etmek için makine öğrenimi kullanılarak SP hastalarının yürüyüş analizi için yeni bir yaklaşım sunulmaktadır.Yöntem:Araştırma, 40 sağlıklı birey ve 40 SP hastasının yürüme verisi kullanılmıştır. İlk olarak, bir boyutlu konvolüsyonel sinir ağına (CNN) girdi olarak kullanılan kinematik veriler aracılığıyla sağlıklı ve SP'li bireylerin sınıflandırılabilmesi için bir model geliştirilmiştir. Ardından, SP'li hastaların kinematik verileri ikinci bir CNN modeline beslenerek YTK tahmin edilmiştir. Bulgular:SP hastalarının ve sağlıklı bireylerin yüksek doğruluk oranlarıyla (%98) sınıflandırılabilmesi sağlanmıştır. Ayrıca, SP'li hastalarda YTK, %13.3’lük (± 5.1) normalize edilmiş ortalama karesel hatave 0.88’lik ± (0.07) Pearson korelasyon katsayısı oranları ile kestirilebilmiştir. Bu sonuçlar, laboratuvar ortamında YTK ölçümü yapılamayan hastalar için önemlidir. Sonuç:Bu çalışmada, SP hastalarının tedavisinde kullanışlı ve hızlı bir hareket analizi yöntemi sunulmuş ve SP hastalarının tedavi süreçlerini geliştirmeye yardımcı olacak bir yöntem uygulanmıştır. Bununla birlikte çalışmadan elde edilen sonuçların klinik karar verme süreçleri açısından hataya yer bırakmayacak bir dikkatle ele alınması gerekmektedir.

Cerebral palsy (CP) is a condition based on neuromotor impairments that can particularly affect walking kinematics. Individualized assessments are necessary to improve the movement abilities of CP patients. Measurements of ground reaction forces (GRF) usedin laboratories for these assessments play a significant role in the treatment of CP patients. However, measuring GRF during natural walking is challenging and costly due to equipment requirements. This study introduces a new approach for analysingthe walking of CP patients by using machine learning to estimate their GRFs without the need for force platforms.Method:The research utilized walking data from 40 healthy individuals and 40 CP patients. Initially, a model was developed using kinematic data as input into a one-dimensional convolutional neural network (CNN) to classify healthy individuals and those with CP. Subsequently, the kinematic data of CP patients were fed into a second CNN model to predict GRFs. Results:The classification of CP patients and healthy individuals was achieved with high accuracy (98%). Additionally, GRFs in CP patients could be estimated with a normalized mean squared error of 13.3% (± 5.1) and a Pearson correlation coefficient of 0.88 (± 0.07). These results are crucial for patients where GRF measurement in a laboratory setting is not feasible. Conclusion:This study presents a useful and rapid movement analysis method for the treatment of CP patients, aiming to improve their treatment processes. However, it's important to handle the results obtained from the study with careful consideration to avoid errors in clinical decision-making processes.