早期检测帕金森病使用深度神经增强网络与智能手机行走记录

科学领域:

• 数字健康技术数字健康技术
• 生物医学工程 生物医学工程
• 神经学 神经学

背景情况:

• 无处不在的智能手机为早期疾病检测提供了潜力.
• 帕金森病 (PD) 诊断在早期可能具有挑战性.
• 数字生物标志物在医学诊断中越来越有价值.

研究的目的:

• 调查智能手机走路记录作为早期发现帕金森病的数字生物标志物.
• 开发和验证使用惯性传感器数据识别PD患者的深度学习模型.
• 为了比较行走与休息的疗效,用于PD检测的数据.

主要方法:

• 利用智能手机的惯性传感器数据从行走记录.
• 预处理的数据包括正常化,缩放和旋转.
• 开发并应用了一个深度学习模型,NeuroEnhanceNet,用于PD检测.
• 采用易患PD的策略来确定个人预测得分.

主要成果:

• 深度学习模型NeuroEnhanceNet在PD早期检测方面表现出有效性.
• 实现了0.053的低虚假阴性率,用于早期发现PD.
• 步行数据被证明是PD的数字生物标志物.

结论:

• 通过深度学习分析的智能手机步行记录是早期发现帕金森病的有效数字生物标志物.
• 神经增强网络模型有效地捕捉了时间和跨道数据特征.
• 这种方法为早期的PD识别提供了一个有希望的,可访问的工具.