设计了一个上肢康复评估流程，用于通过智能手表自动检测和识别受卒中影响的患者的四个关键动作，以实现在康复场景中的物理状况评估。

Dec, 2022

使用运动数据和机器学习来检测单侧手臂麻痹 / 无力，提出了一种通过时间卷积网络和循环神经网络结合知识蒸馏的方法，利用身体上的惯性测量单元来捕捉动作过程中的运动信息，进而实现对动作和模式识别。我们的实验表明，该方法具有很高的麻痹检测准确度（97.99%）和动作分类准确度（77.69%），同时结合因果推理可获取患者的 Fugl-Meyer 评分和受损程度等附加信息，该方法有望成为临床医生和医疗专业人员检测这种病情的有效工具。

Nov, 2023

通过统计分析及机器学习方法，我们研究了康复运动对中风患者后期功能能力的改善，以及对功能能力改善的预测性。我们使用了患者康复运动和人口统计信息记录在非结构化电子健康记录（EHRs）数据和自由文本康复疗程笔记的数据集，共收集了来自匹兹堡大学医学中心的 265 名中风患者的数据。我们运用现有自然语言处理（NLP）算法提取了康复运动的数据，并开发了基于规则的 NLP 算法从疗程笔记中提取了 AM-PAC（基本移动和应用认知）评分。通过对 AM-PAC 评分的变化进行分类，我们采用最小临床重要差异（MCID）为基准，使用 Friedman 和 Wilcoxon 检验来评估显著性。为了确定具有决定性影响的锻炼，我们使用卡方检验、费舍尔精确检验以及逻辑回归计算了奇数比率。此外，我们开发了五个机器学习模型 —— 逻辑回归（LR）、Adaboost（ADB）、支持向量机（SVM）、梯度增强（GB）和随机森林（RF）—— 来预测功能能力的结果。统计分析显示功能改善与特定锻炼之间存在显著关联。RF 模型在预测功能结果方面表现最好。在这项研究中，我们确定了三种康复运动，在头两个月内对中风患者的功能能力改善起到了显著的贡献。此外，成功应用机器学习模型预测特定患者的功能结果突显了精准康复的潜力。

May, 2024

使用机器学习技术基于血流动力学数据开发的模型能够在 30 分钟内诊断卒中亚型，在前 3 小时内预测死亡，并在短短的 15 分钟内预测卒中复发。

May, 2023

通过结合可穿戴传感器数据和电子健康记录，利用人工智能技术开发的新的病情评估得分模型可以成功区分危重病患者的稳定和不稳定状态。

Nov, 2023

该研究介绍了一种使用人工智能技术进行帕金森病患者远程多任务运动表现评估的方法，此方法具有高度的准确性和可靠性，并且可以为缺乏神经学治疗的区域提供帕金森病患者及其他运动障碍患者远程客观评估的可能性。

Mar, 2023

本研究提出一种基于 MTFL 算法框架的步态障碍疾病识别方法，对中风和帕金森病等常见神经疾病进行分类，通过地面接触力数据以步态参数来刻画患者的移动，平衡、力量和节奏特征，达到更好而客观的评估效果。

Dec, 2016

本研究探讨了步态分析作为评估下肢骨折患者的创伤后并发症，如感染、不正愈合或硬件刺激，的工具的潜力。研究关注了使用连续步态数据集预测并发症的监督式机器学习模型的效果。研究认为，机器学习，特别是 XGBoost，在骨科护理中的步态分析中有潜力，预测创伤后并发症，早期步态评估变得至关重要，揭示干预点，结果支持对骨科学的数据驱动方法的转变，提高患者的疗效。

Sep, 2023

机器学习在预测中风后症状及其对康复的反应方面具有巨大潜力。本研究评估了对神经影像数据进行维度降低和特征选择的方法，并提出了使用卷积神经网络 (CNN) 对结合神经影像和表格数据的新方法。研究结果显示，即使数据集规模较小，结合神经影像和表格数据可实现高精度的中风后分类，可以进一步通过使用医院扫描仪中的图像来提高分类准确性。

Oct, 2023

通过利用嵌入式传感器进行人体活动识别以及 LSTM 算法，针对印度尼西亚的使用普及率日益增加的智能手机，本研究分析了 25 位参与者的数据，对九种运动类型进行了机器学习模型开发基础上的肌肉力量动作的重要传感器属性的研究，旨在维持高生活质量以预防健康衰退。

Jan, 2024