用监督倾斜模型检测帕金森病的动作震.

科学领域:

• 生物医学工程 生物医学工程
• 神经学 神经学
• 机器学习 机器学习

背景情况:

• 帕金森病 (PD) 严重影响患者的生活质量,原因是手等症状.
• 准确的震动检测对于开发有效的可穿戴设备来管理PD症状至关重要.
• 现有的检测方法需要改进,以便实时应用.

研究的目的:

• 引入一种用于检测帕金森病 (PD) 动作震的新方法.
• 用传感器数据将PD震与正常日常活动区分开来.
• 评估用于PD震检测的机器学习模型的性能.

主要方法:

• 利用30名佩戴手腕传感器的PD患者的加速仪和陀螺仪数据.
• 提取的时间域和频域手工制作的特征.
• 将手工制作的特征与卷积神经网络 (CNN) 的特征进行比较.
• 训练并评估了后勤回归 (LR),K-近邻 (KNN),支持向量机 (SVM) 和CNN.

主要成果:

• 与CNN特征相比,手工制作的特征在t-SNE可视化中显示出更明显的区别.
• 所有评估的模型在五倍交叉验证中都获得了90%以上的F1分数.
• 支持矢量机器 (SVM) 在交叉验证中表现优异,F1得分超过92%在交叉验证中,在一次性评估中超过90%.

结论:

• 拟议的特征提取方法有效检测帕金森病的动作震.
• 机器学习模型,特别是SVM,在识别PD震方面表现出很高的有效性.
• 这项研究有助于推进用于帕金森病管理的可穿戴技术.