تعادل ممکن است تحت تأثیر عوامل مختلفی قرار بگیرد، از جمله بیماری‌هایی مانند بیماری پارکینسون، صدمات حاد و مزمن به سیستم عصبی، و فرآیند طبیعی پیری. ارزیابی دقیق تعادل در این بیماران اهمیت دارد تا  شرایطی که بر پایداری تاثیر می‌گذارند را تشخیص داده و آن‌ها را مدیریت کرد. ارزیابی‌ تعادل همچنین نقش اساسی در پیشگیری از سقوط، درک اختلالات حرکتی، و طراحی مداخلات درمانی مناسب در گروه‌های سنی و شرایط پزشکی مختلف دارد.

تعادل ممکن است تحت تأثیر عوامل مختلفی قرار بگیرد، از جمله بیماری‌هایی مانند بیماری پارکینسون، صدمات حاد و مزمن به سیستم عصبی، و فرآیند طبیعی پیری. ارزیابی دقیق تعادل در این بیماران اهمیت دارد تا شرایطی که بر پایداری تاثیر می‌گذارند را تشخیص داده و آن‌ها را مدیریت کرد. ارزیابی‌ تعادل همچنین نقش اساسی در پیشگیری از سقوط، درک اختلالات حرکتی، و طراحی مداخلات درمانی مناسب در گروه‌های سنی و شرایط پزشکی مختلف دارد.

با این حال، روش‌های سنتی مورد استفاده برای ارزیابی تعادل اغلب به قضاوت و فاعلیت خود شخص وابسته اند. به اندازه کافی جامع نیستند و نمی‌توان آنها را از راه دور اجرا کرد. علاوه بر این، این ارزیابی‌ها از تجهیزات گران قیمت و تخصصی استفاده می‌کنند که ممکن است به آسانی در همه تجهیزات بالینی قابل دسترسی نباشد و به تخصص پزشک بستگی دارد که می‌تواند بر روی نتایج تاثیر بگذارد. ابزارهای ارزیابی عینی و جامع‌تر در ارزیابی تعادل به شدت مورد نیاز است.

محققان کالج مهندسی و علوم کامپیوتر دانشگاه آتلانتیک فلوریدا با استفاده از حسگرهای پوشیدنی و الگوریتم‌های پیشرفته یادگیری ماشین، رویکرد جدیدی ایجاد کرده‌اند که به شکاف مهمی در ارزیابی تعادل می‌پردازد و معیار جدیدی را در کاربرد فناوری پوشیدنی و یادگیری ماشین در مراقبت‌های بهداشتی ایجاد می‌کند. این رویکرد پیشرفت قابل توجهی در ارزیابی تعادل عینی است، به ویژه برای نظارت از راه دور در مراقبت در منزل، که مدیریت اختلال تعادل را تغییر می‌دهد.

برای این مطالعه، محققان از تست بالینی اصلاح شده تعامل حسی در تعادل (m-CTSIB) استفاده کردند که به طور گسترده در مراقبت‌های بهداشتی برای ارزیابی توانایی فرد برای حفظ تعادل تحت شرایط حسی مختلف استفاده می‌شود. حسگرهای پوشیدنی روی مچ پا، کمر، جناغ سینه، مچ دست و بازوی شرکت کنندگان در مطالعه قرار داده شد.

محققان داده‌های حرکتی جامعی را از شرکت‌کنندگان تحت چهار شرایط حسی مختلف m-CTSIB جمع‌آوری کردند. عملکرد تعادل با چشم‌های باز و بسته روی یک سطح ثابت و با چشم‌های باز و بسته روی یک سطح با کف‌پوش فومی. طول هر شرایط آزمون حدود 11 ثانیه بدون وقفه بود تا تعادل مداوم شبیه‌سازی شود و فرآیند ارزیابی سریع شود. محققان از حسگرهای واحد اندازه‌گیری اینرسی (IMU) همراه با یک سیستم مخصوص برای امتیازدهی به تست ارزیابی m-CTSIB برای تجزیه و تحلیل خود استفاده کردند.

سپس داده‌ها پیش‌پردازش شدند و آرایه‌ی وسیعی از ویژگی‌ها برای تجزیه و تحلیل استخراج شد. برای تخمین نمرات m-CTSIB، محققان از الگوریتم‌های رگرسیون خطی چندگانه، رگرسیون بردار پشتیبان و الگوریتم تقویت گرادیان استفاده کردند. داده‌های خروجی حسگر پوشیدنی به عنوان ورودی برای مدل‌های یادگیری ماشینی عمل می‌کردند. نمرات m-CTSIB مربوطه از Falltrak II -یکی از ابزارهای پیشرو در پیشگیری از سقوط- به عنوان برچسب زمین، برای آموزش و اعتبارسنجی مدل عمل کرد.

سپس چندین مدل یادگیری ماشینی برای تخمین امتیازات m-CTSIB از داده‌های حسگر پوشیدنی توسعه یافت. محققان همچنین موثرترین مکان‌های قرارگیری حسگر را برای بهینه‌سازی تحلیل تعادل مورد بررسی قرار دادند.

نتایج این مطالعه که در مجله Frontiers in Digital Health منتشر شده است، بر دقت بالای این رویکرد و همبستگی قوی با نمرات تعادل روی زمین تأکید می‌کند و نشان می‌دهد که این روش در تخمین تعادل مؤثر و قابل اعتماد است. داده‌های حاصل از حسگرهای کمری و مچ پا بالاترین عملکرد را در تخمین امتیاز تعادل نشان می‌دهند. که اهمیت قرارگیری استراتژیک حسگر برای ثبت تنظیمات تعادل و تغییر در تعادل را برجسته می‌کند.

بهناز قرآنی، دانشیار گروه مهندسی برق و علوم کامپیوتر FAU، گفت: «حسگرهای پوشیدنی راه‌حلی عملی و مقرون‌به‌صرفه برای گرفتن داده‌های حرکتی دقیق ارائه می‌دهند که برای تجزیه و تحلیل تعادل ضروری است.

مکان قرارگیری این حسگرها که در مناطقی مانند کمر و اندام تحتانی است. داده‌های بدست آمده از این مناطق یک دید سه‌بعدی در مورد حرکت دینامیک ارائه می‌دهد که برای کاربردهایی مانند ارزیابی خطر سقوط در افراد مختلف ضروری است. همراه با تکامل یادگیری ماشین، این مجموعه داده‌های مشتق شده از حسگرها با استفاده از مجموعه‌ای از تکنیک‌های یادگیری ماشین، به معیارهای تعادل عینی و قابل سنجش تبدیل می‌شوند.

نتایج این آزمایش بینش‌های مهمی در مورد اهمیت حرکات خاص، انتخاب ویژگی‌ها و قرارگیری حسگرهای پوشیدنی در تخمین تعادل ارائه می‌دهد. قابل ذکر است، مدل تقویت گرادیان، با استفاده از داده‌های حسگر کمری، نتایج برجسته‌ای را در هر دو روش اعتبارسنجی متقاطع به دست آورد و همبستگی بالا و خطای مطلق متوسط ​​کمی را نشان داد، که نشان‌دهنده یک عملکرد ثابت است.

استلا باتالاما، دکترای FAU گفت: «یافته‌های این تحقیق مهم نشان می‌دهد که این روش جدید پتانسیل ایجاد انقلابی در شیوه‌های ارزیابی تعادل را دارد، به ویژه در شرایطی که روش‌های سنتی، غیرعملی یا غیرقابل دسترس هستند».

اهداف این مطالعه از شناخت نیاز به ابزارهای پیشرفته‌ای برای ثبت اثرات ظریف ورودی‌های حسی مختلف بر تعادل پدید آمد.

قرآنی گفت: «ارزیابی‌های تعادل سنتی اغلب فاقد ریزه‌کاری‌های لازم برای تشریح اثراث ورودی‌های حسی مختلف به طور جامع است. که منجر به شکافی در درک و مدیریت اختلالات تعادلی می‌شود. علاوه بر این، این حسگرهای پوشیدنی‌ از نظارت از راه دور پشتیبانی می‌کنند. این قابلیت متخصصان مراقبت‌های بهداشتی را قادر می‌سازند تا تعادل بیماران را از راه دور ارزیابی کنند، که به ویژه در سناریوهای مختلف مراقبت‌های بهداشتی مفید است».

>> برچسب پوشیدنی‌ای که حرکات جزئی بدن را به ابزاری برای برقراری ارتباط تبدیل می‌کند

>> تحول کنترل اسکلت بیرونی پایین تنه با سیستم کنترل جهانی پیشرفته

منبع: medicalxpress.com

«استفاده و بازنشر مطالب تنها با ذکر لینک منبع و نام (مجله فناوری‌های توان‌افزا و پوشیدنی) مجاز است»