WM-STGCN:一种用于帕金森病患者步态识别的新型时空建模方法
Jieming Zhang1, Jongmin Lim1, Moon-Hyun Kim2
1Department of Computer Science and Engineering, Sungkyunkwan University, Suwon 16419, Republic of Korea.
Sensors (Basel, Switzerland)
|July 11, 2023
概括
这项研究介绍了WM-STGCN,这是一种新的深度学习方法,用于从视频中识别帕金森病 (PD) 步态. 它实现了高精度,为早期PD诊断提供了潜在的工具.
科学领域:
- 生物医学工程 生物医学工程
- 计算机科学 计算机科学
- 神经学 神经学
背景情况:
- 帕金森病 (PD) 是一种神经退行性疾病,其特点是步态异常.
- 早期和准确的步态识别对于有效的PD管理至关重要.
- 现有的深度学习方法主要集中在PD严重程度和结的步态上,而不是从前进视频中识别步态.
研究的目的:
- 为帕金森病人的步态识别提出一种新的时空建模方法.
- 用视频数据区分帕金森步态和正常步态.
- 开发一种在PD诊断中具有临床应用潜力的方法.
主要方法:
- 提出了一个加权邻矩阵与虚拟连接和多尺度时间卷积在一个时空图卷积网络 (WM-STGCN).
- 利用加权矩阵将不同强度分配给空间特征,包括虚拟连接.
- 采用多尺度时间卷积来捕捉不同尺度的时间步行特征和增强的骨数据.
主要成果:
- WM-STGCN方法实现了最高准确率为87.1%,F1得分为92.85%.
- 与LSTM,KNN,决策树,AdaBoost和ST-GCN等既定模型相比,表现出卓越的性能.
- 验证了PD步态识别的拟议时空建模方法的有效性.
结论:
- WM-STGCN方法为帕金森症步态识别提供了有效的时空建模技术.
- 拟议的方法在PD步态分析中表现优于现有的方法.
- 在帕金森病的诊断和治疗中,WM-STGCN显示出临床应用的巨大潜力.
