Classifying Residual Stroke Severity Using Robotics-Assisted Stroke Rehabilitation: Machine Learning Approach
Notice bibliographique
Résumé
BACKGROUND Stroke therapy is essential to reduce impairments and improve motor movements by engaging autogenous neuroplasticity. Utilizing machine learning and therapy session kinematic measurements promises to have a central role in rehabilitation decision-making in determining if patient therapy is improving. OBJECTIVE This study uses supervised learning methods to address a clinician’s autonomous classification of stroke residual severity labeled data towards improving in-home robotics-assisted stroke rehabilitation. METHODS Thirty-three stroke patients participate in in-home therapy sessions using the Motus Nova robotics rehabilitation technology to capture upper and lower body motion. The therapy session summary data is based on high-resolution movement and assistance data and clinician-informed discrete stroke residual severity labels. This arises from a final processed dataset of 32,902 patient sessions based on the maximum score per patient per session. Four machine learning algorithms are used to classify stroke residual severity: light gradient boosting, extra trees, deep neural networks, and classical logistic regression. Their performance measures are evaluated to identify which method maximizes stroke residual severity classification accuracy. RESULTS We demonstrate that the light gradient boosting method provides the most reliable autonomous detection of stroke severity. CONCLUSIONS We show how objectively measured rehabilitation training paired with machine learning methods can be used to identify the residual stroke severity class with efforts to enhance in-home self-guided, individualized stroke rehabilitation. As data from rehabilitation practices are often of comparable size and nature to the data collected in our study, this suggests that the light gradient boosting method should be considered a standard, more efficient tool for this analysis.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».