帕金森病震预测到实时抑制:一个自我注意深度时卷积网络方法

科学领域:

• 生物医学工程 生物医学工程
• 神经科学是一个神经科学.
• 人工智能的人工智能

背景情况:

• 帕金森病 (PDT) 预测对于辅助技术至关重要,但由于信号复杂性和非静止性而受到挑战.
• 现有的模型往往缺乏多步预测,阻碍了实时应用.

研究的目的:

• 提出一种新的自我注意深度时卷积网络 (SADTCN),用于准确,多步实时预测手臂PDT信号.
• 评估SADTCN在各种活动和联合动议中捕捉PDT复杂的时间和空间动态的能力.

主要方法:

• 开发和应用SADTCN模型,包括自我注意机制和深度时卷积网络.
• 使用实验手臂PDT数据进行评估,包括多步预测和通过短时间里埃转换 (STFT) 进行频谱分析.
• 使用Wilcoxon签名等级测试进行统计验证,将SADTCN性能与其他深度学习模型进行比较.

主要成果:

• 与现有的深度学习模型相比,SADTCN模型在准确预测不同振动幅度和频率方面表现出卓越的性能,比现有的深度学习模型提前多步.
• 频谱分析证实了SADTCN能够在频率和时间领域准确捕获短暂震特征的能力.
• 威尔科克森的签名级别测试表明,在所有测试条件下,SADTCN在其他模型中取得了统计学上显著的改进.

结论:

• SADTCN有效地解决了PDT的非静止性,非线性和随机性,使得高精度和强大的多步预测成为可能.
• 该模型展示了对未见的测试数据的概括性,显示了实时辅助设备应用的前景.
• 对于患有帕金森病的人来说,SADTCN为开发更具响应性和有效的辅助技术提供了显著的进步.