自动检测和评估结的步态表现
概括
深度学习准确地使用可穿戴传感器数据对帕金森病 (PD) 中的步态结 (FOG) 症状进行分类. 这项技术可以区分和阿基尼西亚,提供更好的FOG评估.
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
- 机器学习 机器学习
背景情况:
- 步态结 (FOG) 是帕金森病 (PD) 的一个令人虚弱的症状.
- 雾呈现异质,包括在位和完全的动.
- 准确的FOG亚型分类对于有效管理至关重要.
研究的目的:
- 用惯性测量单位 (IMU) 数据来评估深度学习 (DL) 在分类FOG表现物的有效性.
- 为了比较最先进的FOG检测算法,并纳入一个改进模型.
- 为了区分FOG亚型与其他停止移动事件.
主要方法:
- 在IMU数据上训练的四个DL算法进行了调整和比较.
- 纳入了改进模型,以减轻过分细分的错误.
- 在18名PD患者的黄金标准视频注释中验证了模型性能.
主要成果:
- 在FOG表现检测方面获得了F1分数0.78和F1@50分段0.75的F1分数.
- 对震的严重程度进行了强烈的评估 (ICC=0.86) 和对秋的中度到强烈的评估 (ICC=0.78).
- 在复杂的转任务中,成功地将FOG与其他运动停止区分开来.
结论:
- 使用IMU数据,DL模型可以准确地分类各种FOG表现.
- 这种方法显示出对PD中客观和详细的FOG评估的希望.
- 需要在更大,更多样化的队列中进一步验证.


