一个可解释的深度学习优化了帕金森病的可穿戴日常检测系统

科学领域:

• 生物医学工程 生物医学工程
• 神经学 神经学
• 人工智能的人工智能

背景情况:

• 帕金森病 (PD) 监测需要客观的步态分析来跟踪疾病的进展.
• 目前评估PD症状在日常活动中的方法往往是主观的和不频繁的.

研究的目的:

• 开发一种准确,客观和被动的深度学习算法,用于在日常行走过程中检测帕金森病 (PD).
• 为了确定PD的代表性时空运动特征.
• 使用可解释的AI优化算法以提高效率.

主要方法:

• 从100名受试者 (PD患者和健康对照) 收集运动数据,使用手腕,脚和腰部的五个惯性测量单位 (IMU).
• 应用连续波束转换到传感器数据,并训练一个6通道卷积神经网络 (CNN) 进行分类.
• 利用梯度加权类激活映射和3D CNN可视化用于模型解释性和优化.

主要成果:

• 腰部安装的传感器实现了最高的分类精度 (98.01% ± 0.85%) 和AUC (0.9981 ± 0.0017).
• 与PD相关的关键步态特征在较低频段 (0.5-3Hz) 中被确定.
• 基于视觉解释的模型优化减少了50%的数据处理,同时保持了高性能 (AUC=0.9929 ± 0.0019).

结论:

• 可解释的深度学习模型,特别是使用腰部佩戴传感器,为被动帕金森病检测提供了高度准确和高效的方法.
• 人工智能模型的视觉解释可以指导功能选择,降低计算成本而不会影响诊断性能.
• 这种方法代表了帕金森病的智能诊断和监测的新进展.