一种深度学习方法,用于在远程评估中使用的帕金森病中自动和客观地对运动障碍严重程度进行分级

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 可穿戴传感器为在家中持续监测神经疾病进展提供了一个有希望的途径.
• 帕金森病 (PD) 运动障碍的严重程度通常使用临床尺度进行评估,这可能是耗时和主观的.
• 深度学习模型显示了使用传感器数据对运动功能的客观和自动分析的潜力.

研究的目的:

• 研究深度学习模型在使用可穿戴传感器对帕金森病中运动障碍严重程度的分级方面的有效性.
• 评估扩展培训数据集 (包括健康的老年人) 和无监督预培训对模型性能的影响.
• 将增强型深度学习模型的性能与基线模型 (XceptionTime) 进行比较,用于分类运动障碍水平.

主要方法:

• 利用低成本的可穿戴传感器,在与运动障碍学会赞助的统一帕金森病评级表 (MDS-UPDRS) 修订相关的上肢和下肢任务期间收集运动数据.
• 采用了包括XceptionTime模型在内的深度学习方法,并与包括健康老年人 (HOA) 数据在内的扩展培训数据集和没有扩展培训数据集进行了性能比较.
• 研究了无监督预训练对运动障碍分级分类器性能的影响.

主要成果:

• 在将训练数据集扩展为HOA数据并应用无监督预训练后,手动任务的准确性提高了12.2%.
• 通过添加HOA培训数据,在大多数评估任务 (除了脚触摸) 中观察到性能改善.
• 证明无监督的预训练可以提高运动障碍分类器的性能,而不需要额外的注释PD数据.

结论:

• 将健康老年人的数据扩展到训练数据集,可以隐性地改善对帕金森病运动数据的表示,以对运动障碍进行分类.
• 无监督的预培训提供了一种可行的策略,以提高运动障碍分类器的性能,从而有可能实现可扩展的远程医疗解决方案.
• 深度学习模型,加上各种数据集和预训练,显示出对客观和可访问的家庭监测帕金森病进展的重大前景.