ベイジアン最適化ディープラーニングによる歩行信号によるパーキンソン病の診断と重症度評価

科学分野:

• 生物医学工学
• 機械学習
• 神経科学

背景:

• パーキンソン病 (PD) の早期診断は,適切な介入と生活の質の改善に不可欠です.
• 歩行分析は PD を示す微妙な運動障害を検出するための 非侵襲的な方法を提供します.
• 垂直地面反応力 (VGRF) 信号は,PD評価のための貴重な情報を含んでいます.

研究 の 目的:

• ベイジアン最適化コンボリューションニューラルネットワーク (CNN) と長期短期記憶 (LSTM) モデルのPD検出とステージングの評価と比較.
• これらのディープラーニングモデルをVGRF信号に直接適用する.
• 異なるVGRF信号ウィンドウの長さでモデルのパフォーマンスを評価する.

主な方法:

• VGRFの録音は5,10,15,20および25秒のウィンドウに分割されました.
• セグメントは標準化され,CNNとLSTMネットワークの入力として使用されました.
• ハイパーパラメータチューニングには5倍クロス検証によるベイジアン最適化が採用された.

主要な成果:

• LSTMモデルは,PDと対照群の検出において,10秒で99. 42%の精度 (AUC=1,000) を,Hoehn- Yahr段階測定において5秒で98. 24%の精度 (AUC=0,999) を達成した.
• CNNモデルは,バイナリ分類では98.46%の精度 (AUC=0.998),マルチクラス分類では96.62%の精度 (AUC=0.998) を達成した.
• 両方のモデルは高い有効性を示し,LSTMは一時的なパターン認識においてわずかな優位性を示した.

結論:

• ベイジアン最適化されたCNNおよびLSTMモデルは,VGRFデータを用いてパーキンソン病を効果的に検出し,ステージ化します.
• LSTMモデルは時間的な歩行ダイナミクスを捉えるのに優れていますが,CNNは比較可能なパフォーマンスを低コストで提供しています.
• 歩行データに関するエンドツーエンドの ディープラーニングは 非侵襲的なPD評価のための有望な道を示しています