手の動き予測は、個々の神経パターンに合わせたパーソナライズドリハビリテーションプログラムの作成を可能にします。これは特に脳卒中やその他の運動障害から回復中の患者に有益であり、治療士が脳活動のフィードバックに基づいてリアルタイムで治療を調整できるため、より効果的な患者ケアにつながります。この目的のため、本研究は機能的近赤外分光法（fNIRS）信号と人工知能（AI）アルゴリズムを用いて手の動きを予測することを目指しています。fNIRSを使用して手の動きに関連する皮質活動を収集し、機械学習（ML）アルゴリズムを利用して手の動きを予測しました。予測タスクには、Random Forest（RF）、Decision Tree（DT）、k-Nearest Neighbors（kNN）、Logistic Regression（LR）、多項式カーネルのサポートベクターマシン（SVM Poly）、放射基底関数カーネルのサポートベクターマシン（SVM RBF）、Gaussian Naive Bayes（GNB）、Neural Networks（NN）、Gradient Boosting（GB）、およびAdaBoostを含むさまざまな機械学習アルゴリズムを用いました。RFアルゴリズムの性能は著しく優れており、手の動きの高精度予測を示しました。一方で、LR、SVM（Poly）、SVM（RBF）、GNB、およびNNアルゴリズムは性能が低く、kNN、DT、GB、およびAdaBoostアルゴリズムは中程度の有効性を示しました。さらに、Receiver Operating Characteristic（ROC）曲線は、RFアルゴリズムが他のアルゴリズムと比較して有意に大きな曲線下面積（AUC）を有することを示しました。fNIRSとAIの統合は手の動き予測を改善し、リハビリテーションおよび個別化医療の進歩を示唆します。本研究はこれらのアルゴリズムの可能性を強調しており、様々な臨床環境への応用拡大のためにさらなる研究が必要です。
Jafariら（Fri,）がこの問題を研究した。