一种深度学习方法,用于对帕金森病中运动障碍严重性的分级

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:

• 对运动障碍的客观监测对于跟踪像帕金森病 (PD) 这样的神经疾病至关重要.
• 目前的评估方法可能是主观的和不频繁的,限制了及时的干预.
• 可穿戴式传感器为持续,客观的数据收集提供了潜在的解决方案.

研究的目的:

• 评估深度学习模型,以对帕金森病 (PD) 中的运动障碍严重程度进行分级.
• 评估低成本可穿戴传感器在捕获运动功能数据方面的有效性.
• 为了确定PD运动评估的远程医疗方法的可行性.

主要方法:

• 使用一个卷积神经网络 (XceptionTime) 架构.
• 分类的运动障碍水平使用五种节奏任务的数据 (手指敲击,手动,脚,脚,腿敏捷性).
• 在所有任务上训练了一个综合模型,用于评估布拉迪基尼西亚的严重程度.

主要成果:

• 最高的模型准确度 (82.6%) 在手动任务中实现.
• 总体模型的准确度达到79.7%,变化率最低.
• 用可穿戴传感器和深度学习来评估PD运动的可行性.

结论:

• 深度学习和可穿戴传感器可以客观地量化帕金森病 (PD) 中的运动障碍.
• 这种方法对开发广泛部署的PD管理远程医疗解决方案充满希望.
• 自动化,客观的运动评估可以帮助跟踪疾病的进展,并为治疗决策提供信息.