The Use of Machine Learning and Deep Learning Techniques to Assess Proprioceptive Impairments of the Upper Limb after Stroke
Notice bibliographique
Résumé
Abstract Background Proprioception is commonly impaired after stroke. Robotic tools precisely measure multiple attributes of position sense and create large datasets. Previously, we quantified individual performance based on single measured robotic parameters and an overall task score in an arm position matching (APM) task. In the present manuscript, we used machine learning and deep learning techniques to classify whether individuals had a stroke or not based on their robotic APM task performance. Methods Participants performed an APM task in the Kinarm exoskeleton robot that produced 12 parameters to quantify multiple attributes of position sense. We first quantified impairment in individual parameters and overall task score by determining if participants with stroke fell outside of the 95% cut-off score of control (normative) values. Then, we applied five machine learning algorithms: Logistic Regression, Decision Tree, Random Forest, Random Forest with Hyperparameters Tuning, and Support Vector Machine; and a deep learning algorithm: Deep Neural Network, to classify individual participants as to whether or not they had a stroke based only on robotic assessment results using a 10-fold cross-validation approach. Results We recruited 429 participants with neuroimaging confirmed stroke (< 35 days post-stroke) and 465 healthy controls. Depending on the APM parameter, we observed that 10.9–48.4% of stroke participants were impaired. Using the overall task score, 44% were impaired. The mean performance metrics of machine learning and deep learning models were: accuracy 82.4%, precision 85.6%, recall 76.5%, and F1 score 80.6%. All machine learning and deep learning models displayed similar classification accuracy; however, the Random Forest model had the highest numerical accuracy (83%). Our models showed high sensitivity and specificity (AUC = 0.89) in classifying individual participants based on their performance in the APM task. We also found that variability was the most important feature of classifying performance in the APM task. Conclusion Our machine learning and deep learning models displayed similar classification accuracy. Each model classified more participants correctly as stroke or control than classification of impairment based on individual parameters or overall task score using a cut-off score. Machine learning and deep learning techniques may provide opportunities to better understand proprioceptive impairments after stroke.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».