相关实验视频
Updated: Jul 10, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.7K
使用卷积神经网络识别多模态步行异常 - 基于多传感器数据融合的双向长期短期记忆 (CNN-BiLSTM) 网络.
Jing Li1,2, Weisheng Liang1, Xiyan Yin1
1School of Mechanical Engineering and Hubei Modern Manufacturing Quality Engineering Key Laboratory, Hubei University of Technology, Wuhan 430068, China.
Sensors (Basel, Switzerland)
|November 25, 2023
概括
这项研究引入了一种使用CNN-BiLSTM用于通过步态分析早期检测神经疾病的新型多式联络框架. 该方法在识别诸如帕金森病之类的疾病方面具有很高的准确性,有助于早期干预.
科学领域:
- 神经学 神经学
- 生物医学工程 生物医学工程
- 数据科学数据科学数据科学
背景情况:
- 全球人口老龄化增加了神经疾病的患病率.
- 定量步态分析提供了早期疾病检测潜力.
- 目前的单传感器步行识别方法在传感器类型和任务特异性方面存在局限性.
研究的目的:
- 开发一个多功能多式模式的步态异常识别框架.
- 为了克服数据干扰和长时间序列在步态分析中的挑战.
- 为了能够准确地识别各种神经路径异常.
主要方法:
- 提出了一个卷积神经网络-双向长期短期记忆 (CNN-BiLSTM) 框架.
- 采用了自适应的滑动窗技术和时间频率图表来实现统一的数据表示.
- 使用预训练的深度卷积神经网络 (DCNN) 来进行特征提取和多传感器数据融合.
主要成果:
- 在分类帕金森病严重程度方面达到98.89%的准确性,超过DCLSTM.
- 对于 100% 的肌缩侧面硬化症 (ALS), 96.97% 的帕金森病 (PD) 和 95.43% 的亨廷顿病 (HD) 证明了高的识别精度.
- 与大多数现有方法相比,该框架显示出更高的性能.
结论:
- 多式联网CNN-BiLSTM框架显示出了足迹异常识别的巨大潜力.
- 它对各种传感器的适应性和较少的训练参数使其适合日常监测和个性化康复.
- 这种方法可以通过早期检测和量身定制的干预措施来帮助减轻神经疾病的影响.
