パーキンソン病の診断のための連結された多チャンネルCNNの転送は,目に見えない,小さなデータに基づいて行われます

科学分野:

• 生物医学工学
• 神経学
• 機械学習

背景:

• 歩行分析はパーキンソン病 (PD) の診断に不可欠です.
• 限られたデータと個々の変動は 現在のPD診断方法に 課題を投げかけています
• 早期介入には 堅実で一般化可能な診断ツールの開発が不可欠です

研究 の 目的:

• パーキンソン病 (PD) の診断と重症度の評価のための統合型移転学習アプローチを提案する.
• 限られたデータと PDの診断における個々の差異の課題に対処する.
• 診断モデルの汎用性を向上させ,インフレ的なパフォーマンスを回避する.

主な方法:

• マルチチャネル・コンボリューション・ニューラル・ネットワーク (CNN) がバックボーンモデルとして設計された.
• 公共のデータセットを使って 動的に統合され 訓練されました
• 世界的なネットワークは 20人のPD患者と 32人の健康な対照群によるカスタムデータセットで 微調整されました

主要な成果:

• フェデラート・トランスファー・ラーニングは,未確認で小さなサンプルでPDの診断に有効性を示しました.
• 提案された方法は,診断の正確性と一般化性を改善しました.
• インフレのパフォーマンスはうまく探求され,回避されました.

結論:

• フェデラート・トランスファー・ラーニングはPDの正確な診断に 有望な解決策です 特にデータ不足のシナリオでは
• この方法をウェアラブルシステムに組み込むことで 高齢者の日常生活を 監視できるのです
• この研究は,神経疾患の診断における AI の応用を進めている.