A Lightweight Machine Learning Framework for Post-Stroke Gait Abnormality Classification Using Wearable Gyroscope Features

Stamatios Orfanos

doi:10.3390/s26103143

A Lightweight Machine Learning Framework for Post-Stroke Gait Abnormality Classification Using Wearable Gyroscope Features

2026-05-19

0

OA

AI

Christos Panagopoulos

DOI：10.3390/s26103143

原文链接

原文求助

摘要

En 中文

准确分类步态异常对于中风患者的有效监测和康复至关重要。本研究提出了一种轻量级机器学习框架，用于通过从可穿戴陀螺仪数据中提取的统计特征区分健康与异常步态模式。从双下肢提取的统计z轴角速度值被推导出来，用于评估多种分类器的性能，包括逻辑回归、支持向量机和集成方法。采用留一交叉验证策略以增强跨受试者的泛化能力。结果表明，多个分类器的准确率和曲线下面积（AUC）值超过0.95，随机森林和支持向量机模型表现出近完美的类别可分性，AUC为0.98。这些发现强调了在真实医疗保健应用中使用最小化的生物力学相关陀螺仪特征进行步态分类的有效性。所提出的流程计算效率高，非常适合在可穿戴和远程监测系统中实现。

Keyword:

gait classification

gyroscope features

machine learning

stroke rehabilitation

wearable sensors

A Lightweight Machine Learning Framework for Post-Stroke Gait Abnormality Classification Using Wearable Gyroscope Features

摘要

期刊

机构

引用论文