基于骨架的帕金森步态的跨空间时空图形卷积网络 MDS-UPDRS得分估计

科学领域:

• 生物医学工程 生物医学工程
• 神经学 神经学
• 计算机科学 计算机科学

背景情况:

• 步行障碍是帕金森病 (PD) 的一个关键症状,使用运动障碍学会统一帕金森病评级表 (MDS-UPDRS) 进行评估.
• 客观和有效的步态评估对于PD干预开发至关重要.
• 基于骨架的分析有可能提高PD步态评估的客观性和效率.

研究的目的:

• 解决目前基于骨架的PD步态分析的局限性,特别是忽视跨时空联合依赖性和小数据集大小.
• 开发和验证使用骨架数据进行自动PD步态分析的新型深度学习模型.
• 为PD步态研究创建一个相当大的,多视图的骨架数据集.

主要方法:

• 从102名PD患者,30名健康的老年人和16名年轻人那里收集了一个新的,相当大的多视图骨架数据集.
• 提出了一种新的跨空间时空图形卷积网络 (CST-GCN) 来建模复杂的步态模式.
• 在CST-GCN框架内设计了一种步态图标签策略,以捕捉跨时空联合依赖.
• 开发了一种双路径模型,用于融合空间,时间和跨时空步行特征.

主要成果:

• 拟议的CST-GCN方法通过明确建模跨时空依赖关系,有效地学习复杂的步态特征.
• 双路径模型成功地整合了空间,时间和跨时空的步态信息.
• 对新收集的数据集进行的实验证明了PD步态分析的拟议方法的有效性.

结论:

• 开发的CST-GCN模型和双路径架构在基于骨架的自动PD步态分析中取得了重大进展.
• 创建一个更大的,多视图骨架数据集解决了对PD的基于深度学习的步态研究的关键需求.
• 这项工作为评估PD步态提供了更客观,更有效的工具,有可能加速治疗干预措施的发展.