可解释机器学习全面的人类步态恶化分析分析
1Department of Electrical Engineering, College of Engineering King Khalid University, Abha, Saudi Arabia.
Frontiers in neuroinformatics
|September 9, 2024
概括
可解释的AI揭示了帕金森病和健康个体多任务共享步态变化. 这项技术有助于了解认知衰退对步行模式的影响.
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
- 人工智能的人工智能
背景情况:
- 步态分析对于理解神经系统疾病至关重要.
- 认知能力下降显著影响运动控制和步态.
- 帕金森病 (PD) 呈现出明显的步态变化.
研究的目的:
- 为了研究认知衰退对步行表现的影响.
- 为了比较帕金森病中的步态恶化与双重任务条件下的健康个体.
- 应用可解释的人工智能 (XAI) 来解释步态模式.
主要方法:
- 使用卷积神经网络 (CNN) 进行步态模式分析.
- 采用层级相关性传播 (LRP),一种XAI,用于模型解释性.
- 收集并分析了帕金森病患者和健康对照组执行认知任务的步态数据.
主要成果:
- 实现了高分类准确度 (PD的98%F1,总共95.5%).
- 在健康受试者中 (90% ± 10% F1) 证明了认知负载的可靠分类.
- 确定了与认知衰退和双重任务相关的显著步态变化,XAI确定了关键的贡献特征.
结论:
- XAI有效地阐明了PD和双重任务健康个体的共享步行障碍.
- 该研究强调了XAI在理解步态控制复杂性方面的作用.
- 这些发现为步态分析和认知负载的影响提供了新的视角.
