相关实验视频
Updated: Jun 19, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.6K
多重共享任务自我监督CNN-LSTM用于监控自由身体运动UPDRS-III使用可穿戴传感器
Mustafa Shuqair1, Joohi Jimenez-Shahed2, Behnaz Ghoraani1
1Department of Electrical Engineering and Computer Science, Florida Atlantic University, Boca Raton, FL 33431, USA.
Bioengineering (Basel, Switzerland)
|July 27, 2024
概括
这项研究引入了使用可穿戴传感器的深度学习框架,以准确估计帕金森氏症.
科学领域:
- 生物工程和生物医学信号处理
- 医疗保健中的人工智能
- 神经学和运动障碍 神经学和运动障碍
背景情况:
- 统一帕金森病评级表 (UPDRS) 对于诊断帕金森病 (PD) 和监测其进展至关重要.
- 准确的UPDRS评估对于有效的PD管理和治疗调整至关重要.
- 当前的UPDRS评估方法可能是主观和耗时的,需要更客观和持续的监测解决方案.
研究的目的:
- 开发一个创新的框架,整合深度学习和可穿戴传感器技术,用于精确的UPDRS第三部分得分估计.
- 在自然主义的日常活动中提高帕金森病严重程度评估的准确性.
- 为客观和持续的PD症状监测建立一个新的基准.
主要方法:
- 使用了一种新的多重共享任务自我监督的卷积神经网络-长期短期记忆 (CNN-LSTM) 框架.
- 从可穿戴传感器处理的原始陀螺仪信号及其光谱图表示.
- 通过对24名帕金森病患者在日常活动中526分钟的运动数据进行训练和验证模型.
主要成果:
- 在估计和临床评估的UPDRS-III分数之间实现了0.89的强相关性.
- 与单通道和多通道CNN,LSTM和标准CNN-LSTM模型相比,表现出卓越的性能.
- 在 UPDRS-III 评分估计中为自由身体运动建立了一个新的最先进的状态.
结论:
- 开发的深度学习框架为持续监测帕金森病提供了强大可靠的方法.
- 这种生物工程应用程序通过在现实环境中实现精确的症状评估,显著提升了PD管理.
- 这些发现为改善患者护理铺平了道路,通过对PD进展的客观和数据驱动的见解来改善患者护理.
