Machine learning to quantify habitual physical activity in children with cerebral palsy.

To investigate whether activity-monitors and machine learning models could provide accurate information about physical activity performed by children and adolescents with cerebral palsy (CP) who use mobility aids for ambulation. Eleven participants (mean age 11y [SD 3y]; six females, five males) classified in Gross Motor Function Classification System (GMFCS) levels III and IV, completed six physical activity trials wearing a tri-axial accelerometer on the wrist, hip, and thigh. Trials included supine rest, upper-limb task, walking, wheelchair propulsion, and cycling. Three supervised learning algorithms (decision tree, support vector machine [SVM], random forest) were trained on features in the raw-acceleration signal. Model-performance was evaluated using leave-one-subject-out cross-validation accuracy. Cross-validation accuracy for the single-placement models ranged from 59% to 79%, with the best performance achieved by the random forest wrist model (79%). Combining features from two or more accelerometer placements significantly improved classification accuracy. The random forest wrist and hip model achieved an overall accuracy of 92%, while the SVM wrist, hip, and thigh model achieved an overall accuracy of 90%. Models trained on features in the raw-acceleration signal may provide accurate recognition of clinically relevant physical activity behaviours in children and adolescents with CP who use mobility aids for ambulation in a controlled setting. Machine learning may assist clinicians in evaluating the efficacy of surgical and therapy-based interventions. Machine learning may help researchers better understand the short- and long-term benefits of physical activity for children with more severe motor impairments. Investigar si los monitores de actividad y los modelos de aprendizaje automático pueden proveer información precisa sobre la actividad física realizada por niños/as y adolescentes con parálisis cerebral (PC) que usan ayudas de movilidad para la deambulación. MÉTODOS: Once participantes (edad media 11a y [DE 3a]; seis niñas, cinco niños) clasificados por el Sistema de Clasificación de la Función Motora Gruesa [GMFCS] en los niveles III y IV, completaron seis pruebas de actividad física llevando un acelerómetro triaxial en la muñeca, la cadera y el muslo. Las pruebas incluyeron descanso en supino, tarea de miembro superior, marcha, propulsión para silla de ruedas y pedaleo. Se capacitaron tres algoritmos de aprendizaje supervisado [árbol de decisión (decision tree), máquina de vectores de soporte (support vector machine [SVM]) y bosque aleatorio (random forest) en las características de la señal de aceleración en bruto. El rendimiento del modelo se evaluó utilizando la precisión de validación cruzada de dejar un sujeto fuera. La precisión de la validación cruzada para los modelos de colocación única oscilaron entre el 59% y el 79%, con la mejor ejecución alcanzada a través del modelo de muñeca de bosque aleatorio (79%). La combinación de características de dos o más ubicaciones del acelerómetro mejoró significativamente la precisión de clasificación. El modelo de bosque aleatorio de muñeca y cadera logró una precisión total del 92%, mientras que el modelo SVM de muñeca, cadera y muslo logró una precisión total del 90%. INTERPRETACIÓN: Los modelos basados en las características de la señal de aceleración en bruto podrían proveer un reconocimiento preciso de los comportamientos de actividad física clínicamente relevante en niños/as y adolescentes con PC que usan ayudas de movilidad para la deambulación en un entorno controlado. Investigar se monitores de atividade e modelos de aprendizagem de máquinas podem fornecer informações acuradas sobre a atividade física realizada por crianças e adolescentes com paralisia cerebral (PC) que usam dispositivos de auxílio à deambulação. MÉTODO: Onze participantes (media de idade 11a [DP 3a]; seis do sexo feminino, cinco do sexo masculino) classificados segundo o sistema de Classificação da Função Motora Grossa (GMFCS) nos níveis III e IV, completaram seis testes de atividade física usando um acelerômetro triaxial no punho, quadril e coxa. Os testes incluíram repouso em supino, tarefa do membro superior, marcha, propulsão da cadeira de rodas, e pedalar. Três algoritmos de aprendizagem supervisionada (árvore de decisão, máquina de suporte vetor [MSV], floresta aleatória) foram treinados quanto a aspectos do sinal bruto de aceleração. O desempenho do modelo foi avaliado usando a acurácia de validação cruzada do tipo que deixa um sujeito de fora. A acurária da validação cruzada para os modelos de posicionamento único variaram de 59% a 79%, com o melhor desempenho atingido pelo modelo de floresta aleatória do punho (79%). Combinar aspectos de um ou dois posicionamentos dos acelerômetros melhorou significativamente a acurácia da classificação. O modelo de floresta aleatória do punho e quadril atingiu acurácia geral de 92%, enquanto o MSV do punho, quadril e coxa atingiu acurácia de 90%. INTERPRETAÇÃO: Modelos treinados quanto a aspectos do sinal bruto da aceleração podem fornecer reconhecimento acurado de comportamentos de atividade física clinicamente relevantes em crianças e adolescentes com PC que usam dispositivos auxiliares de mobilidade em um ambiente controlado.

Informations de copyright

© 2020 Mac Keith Press.