早期检测帕金森病使用多面积图卷积网络

科学领域:

• 神经学 神经学
• 计算机科学 计算机科学
• 生物医学工程 生物医学工程

背景情况:

• 早期诊断帕金森病 (PD) 对患者的治疗和生活质量至关重要.
• 步行障碍是PD的主要指标,需要自动化评估方法.
• 现有的步态评估方法缺乏用于早期PD检测的稳定性和准确性.

研究的目的:

• 开发一个先进的深度学习模型,用于准确和强大的早期检测帕金森病.
• 提高运动识别模型对PD的微妙走路异常的灵敏度.
• 为了利用人类骨数据和注意力机制,改进PD步态分析.

主要方法:

• 介绍了多区域注意力时空定向图形卷积网络 (Ma-ST-DGN) 模型.
• 使用定向图来重建人类骨特征,用于步态分析.
• 实施一个多区域自我注意机制,以专注于步行数据中的关键空间和时间信息.

主要成果:

• 在PD-Walk数据集上,Ma-ST-DGN模型实现了88.7%的最先进的精度.
• 该模型与现有的基于传感器和基于视觉的步态评估方法相比,表现出了更高的性能.
• 全球和本地骨运动信息的有效整合捕获了微妙的PD表现.

结论:

• 拟议的Ma-ST-DGN模型显示了对帕金森病早期临床诊断的巨大潜力.
• 使用高级深度学习的自动步态评估为非侵入性PD检测提供了一个有希望的途径.
• 这项研究强调了带有注意力机制的时空图卷积网络在分析神经障碍识别复杂人体运动中的有效性.