我们在20名慢性踝关节不稳的受试者中，使用时间卷积网络对基于关节角度的GOOD/BAD步态周期标签进行分类。采用留一受试者交叉验证（LOSO）评估模型，在所有20个折中，平均AUROC为0.948，BAD周期的灵敏度为0.941，GOOD周期的特异度为0.366。
在自适应干预组中，7名受试者完成了为期三周的九次训练，每次记录一次运动捕捉数据。模型在出现错误分类的会话后进行离线更新，并在同一会话的验证子集以及下一次自适应会话中进行比较。候选模型在同一会话子集上的BAD类F1提升0.187，在首次后续记录上提升0.118。
在前额平面踝关节角度方面，比较自适应组与10名顺序入组的对照组，基线校正后，自适应组在训练后（Post）相较于对照组降低了5.168°（95% CI: 1.766~8.569°），但在7天保持（Retention）时差异不确定。
这些结果展示了基于人群模型的判别能力以及离线的个体化模型更新过程，但尚不能证明分类的临床独立性或模型更新对步态改善的因果作用。
点评