宾夕法尼亚州立大学的这项研究或许是先进技术应用于早期诊断神经肌肉疾病婴儿的副产品，也可能是首个真正意义上利用先进技术开展的研究。为纪念詹姆斯·L·亨德森（James L. Henderson, Jr.）而设立的工程科学机械学教授职位，是拉里·程（Larry Cheng）团队引入基于可穿戴设备和机器学习的新方法论所取得的关键进展。该方法论使得识别和分类高危新生儿的准确率异常之高。.
用于对抗神经运动疾病的创新技术
这项名为“科学进步”的最新测试案例研究，由一个软性无线惯性测量单元（IMU）网络和一个微型机器学习算法组成，可用于监测婴儿运动功能的自发激活情况以及发育障碍或进展的迹象，例如脑瘫。该人工智能机器人系统旨在检测提示脑瘫和自闭症谱系障碍的异常运动模式，这也是该技术的目标。.
程博士明确指出，这些动作是人类出生后0至20周神经发育的指标。传统的诊断方法通常由专家通过视觉评估症状来进行诊断，但这种方法常常受到人为误差、极端天气条件以及视频设备复杂性的影响。而程博士提供的这项传感器技术，在客观性和实用性方面带来了两项更为显著的改进。这些改进可以缩短诊断时间，从而实现更早期、更准确的诊断。.
利用新型传感器技术早期检测神经运动问题
传感器在健身行业已经流行了一段时间，考虑到它们能够实时测量活动水平，这种趋势在未来几年还将继续。对于想要监测自身进度并实现健身目标的用户来说，这些数据极其宝贵。.
程教授团队开发的这套传感器系统具有与人体皮肤相似的机械特性，非常适合用于婴儿娇嫩的皮肤。研究人员选择婴儿的前额、手腕和脚踝作为前五个惯性测量单元（IMU）的安装位置，构建了一个稀疏但能全面捕捉婴儿运动轨迹且不具侵入性的网络。这些原始数据随后由团队开发的机器学习算法进行处理，该算法采用定制算法dent运动模式识别为“正常”、“高风险”或“异常”。
因此，程教授表示：“与以往的诊断方法相比，它不仅提高了诊断的准确性，而且大幅降低了所需的成本和材料。”小型机器学习算法在资源有限的领域作用有限。重点在于利用小型算法快速得出结果，并认定无需构建复杂的AI框架。.
推进专家系统以改善医疗保健效果
尽管对23名婴儿进行的初步研究结果令人鼓舞，但由于此类研究存在一定程度的误差，因此不足以证实其结果的多样性。因此，必须开展大规模研究进行验证。程及其团队成员的目标之一是与医疗专业人士合作，进一步阐明产品特性并改进技术。开发这种传感器网络将有助于开展更多研究，这些研究不仅限于神经运动评估，还包括心肺评估、声带振动和运动训练等领域。.
将人工智能和可穿戴技术应用于医疗诊断，为婴幼儿护理开辟了新的机遇，有望在未来提高神经运动疾病高危人群的早期干预率和儿童生存率。随着研究的不断深入，这项技术或将成为医生和家长对新生儿进行预防性和发育性监测的必备工具。.
宾夕法尼亚州立大学的这项突破也凸显了不同领域（在本例中为医学和计算机科学）之间合作的必要性和有效性。它还表明，此类应用如今已触手可及。借助紧凑高效的人工智能系统以及非侵入式可穿戴传感器，医疗诊断和患者护理有望发展出一种全新的解决方案，利用技术手段简化检测和治疗策略。.
本文最初发表于《新闻医学》杂志
