多尺度-时间特征提取和边界混缓解VAG为基础的细粒度多级关节炎恶化监测
Yangwuyong Zhang1, Tongjie Pan2, Yalan Ye2
1School of Information and Software Engineering, University of Electronic Science and Technology of China, Chengdu 610054, China.
Computer methods and programs in biomedicine
|July 19, 2024
概括
这项研究引入了一个新的深度学习框架,用于使用振动关节学 (VAG) 信号监测多级关节炎 (OA) 恶化. FMOADM框架提高了OA监测在日常活动中的准确性,帮助医生在治疗规划中.
科学领域:
- 生物医学工程 生物医学工程
- 医疗信号处理 医疗信号处理
- 机器学习用于医疗保健
背景情况:
- 在日常生活中使用振动术 (VAG) 监测骨关节炎 (OA) 是具有挑战性的,因为复杂的信号组成和错误分类接近等级边界.
- 现有的方法往往侧重于二元性OA分类,限制了对多级恶化的临床决策.
研究的目的:
- 提出一种新的框架,用于使用VAG信号在日常范式中对细粒度,多级骨关节炎恶化监测.
- 通过提高分类准确性和提供详细的恶化见解来解决现有的OA监测技术的局限性.
主要方法:
- 开发了一个端到端的深度学习框架,即细粒度多级OA恶化监测器 (FMOADM).
- 该框架结合了多尺度时间特征提取 (MTFE) 进行复杂的VAG信号分析和无混主-奴隶 (CF-MS) 分类与中心损失,以减少在等级边界的错误分类.
- 一个主-奴隶分类器结构与道注意力被用于增强细粒度分类.
主要成果:
- 与VAG-OA数据集中的现有方法相比,FMOADM框架在日常范式中表现出更高的性能.
- 拟议的框架实现了78%的精度,比最先进的方法改进了8%,表明了增强的OA监控能力.
结论:
- 开发的框架使得有效的多级OA恶化监测,支持医生制定量身定制的治疗计划.
- 这一进步有助于在日常活动中监测膝关节健康的可行性.
