在帕金森病中基于传感器的可穿戴活动识别深度神经网络:研究可概括性和模型复杂性

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 可穿戴技术可穿戴技术

背景情况:

• 深度神经网络 (NN) 模型正在探索在帕金森病患者 (PwPD) 中使用可穿戴传感器数据进行活动识别.
• 一个关键的研究差距是了解这些模型的可通用性,这些模型在健康数据上训练到PwPD.

研究的目的:

• 通过使用可穿戴传感器数据,评估深度NN模型的适用性和通用性,用于PwPD中的活动识别.
• 调查数据增强和域调整对健康到PwPD转移学习场景中的模型性能的影响.

主要方法:

• 使用了三个数据集 (PAMAP2,MHEALTH和一个私人PwPD数据集) 与加速度计传感器读数.
• 实施了不同复杂度的深度NN模型,探索数据增强,轴向重定位和域调整技术.

主要成果:

• 一个适度复杂的模型,在增强数据上训练并适应帕金森病领域,实现了73.02%的准确性,超过了以前的研究 (63%).
• 随着增强和域适应,F1得分显著提高至49.79%,而仅使用增强时为33.66%,没有增强时为2.88%.

结论:

• 在健康数据上训练的深度NN模型可以被通用化,通过数据增强和域调整来更准确地识别PwPD中的活动.
• 简单/中等复杂的NN架构与高度复杂的NN架构相比,对PwPD领域的概括性更好.
• 这些发现支持开发基于可穿戴的PwPD监测解决方案,这可能有助于改善临床决策和患者的治疗结果.