双流图 卷积网络与任务特定的损失用于双任务步行分析

科学领域:

• 神经科学是一个神经科学.
• 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:

• 双任务步态分析是评估老年人认知能力下降的一个有希望的方法.
• 当前的方法在充分利用双任务成本表示和优化其用于诊断目的的提取方面面临挑战.

研究的目的:

• 提出一种新的深度学习框架,用于使用步态数据检测老年人的认知障碍.
• 解决双重任务成本表示提取和利用的局限性,以提高诊断准确度.

主要方法:

• 实现一个时空图卷积网络 (ST-GCN) 具有不同的单任务和双任务路径.
• 引入特定任务的损失函数,以确保可区分的表示.
• 计算双任务成本表示作为双任务和单任务表示之间的差异,以提高稳定性.

主要成果:

• 拟议的框架在认知障碍检测方面表现出很高的表现.
• 获得了0.969的灵敏度和0.940的特异性,优于现有方法.
• 双重任务的成本表示证明能够抵御个体差异,这有助于框架的稳定性.

结论:

• 开发的深度学习框架提供了一种强大而准确的方法,通过双任务步态分析来检测认知障碍.
• 这种新的方法有效地利用了双重任务成本表示,为改善老年护理诊断工具铺平了道路.