摆动频率可能预测帕金森病的姿势不稳定:一种新的卷积神经网络方法
David Engel1,2,3, R Stefan Greulich4, Alberto Parola5
1Applied Physics and Neurophysics, Philipps-Universität Marburg, Karl-von-Frisch-Straße 8a, Marburg, 35032, Germany. engelda@ohsu.edu.
Journal of neuroengineering and rehabilitation
|February 18, 2025
概括
一个卷积神经网络 (CNN) 准确地使用身体摇摆数据检测到早期帕金森病 (PD). 这种人工智能方法对早期检测PD患者的姿势不稳定性充满希望.
科学领域:
- 神经学 神经学
- 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:
- 姿势不稳定显著影响了帕金森病 (PD) 患者的生活质量.
- 早期和客观地发现姿势障碍对于及时干预至关重要.
- 微妙的姿势变化可能会在PD早期到中期临床明显症状之前.
研究的目的:
- 开发和评估一个卷积神经网络 (CNN) 来区分患有早期到中期PD的个体与健康对照.
- 为了研究PD检测的身体摇摆时间频率特征的预测值.
- 为了确定姿势摇摆的特定特征,表明早期PD.
主要方法:
- 18名患有异常性PD的个人和15名健康对照 (HC) 参与了这项研究.
- 压力中心 (COP) 和质量中心 (COM) 轨迹是使用Wii平衡板和微软Kinect记录的.
- 基于波纹的30秒运动数据片段的时频谱图被生成并输入到定制的CNN中进行二进制分类.
主要成果:
- 在根据中侧COM运动对PD进行分类时,CNN实现了100%的准确性,灵敏性,特异性,精度和F1得分.
- 接收器运行特征分析结果显示,曲线下的面积为1.0.0.
- 可解释的AI确定了姿势摇摆的高频率是PD患者和对照人群之间最有区别的特征.
结论:
- 美国有线电视新闻网 (CNN) 的分类器利用具有成本效益的后图数据显示,在早期到中期的PD中检测姿势障碍的潜力显著.
- 这种人工智能驱动的方法为早期PD的姿势摇摆的微妙特征提供了新的见解.
- 用更大,更多样化的样本进行进一步验证是有必要的,以证实这些有希望的发现.
