解决早期步态的多重挑战 预测帕金森病的结:一种实用的深度学习方法

科学领域:

• 康复工程 康复工程
• 生物医学信号处理
• 神经学 神经学

背景情况:

• 走路结 (FOG) 严重影响帕金森病 (PD) 患者的日常生活.
• 当前的可穿戴传感器在FOG预测方面面临着挑战,包括短的预测间隔,糟糕的患者概括和传感器不便.
• 现有的解决方案往往会产生权衡,无法同时解决所有挑战.

研究的目的:

• 开发一个深度学习框架,PhysioGait预测网络 (PhysioGPN),用于PD患者早期的FOG预测.
• 为了在FOG出现之前达到至少2秒的预测间隔.
• 减少对多个传感器的依赖,同时使用知识蒸 (KD) 保持预测准确度.

主要方法:

• 物理步行预测网络 (PhysioGPN) 使用大型卷积内核来检测运动变化,以及用于步行动态的多维/多尺度卷积.
• 双塔结构捕捉了步态的自我相似性和不对称性,而多域注意力则促进了跨域信息交换.
• 建议建立一个知识蒸 (KD) 框架,以尽量减少对传感器的依赖.

主要成果:

• 物理GPN模型实现了FOG预测曲线下的面积 (AUC) 85.8%.
• 在减少传感器数量时,知识蒸 (KD) 有效地减轻了性能下降.
• 当减少传感器数量时,KD与没有KD的模型相比,KD的AUC增加了5.1%.

结论:

• 物理走势预测网络为PD的FOG预测挑战提供了一个实用的解决方案.
• 在康复工程中,KD方法证明了轻量级可穿戴传感器的有效性.
• 研究结果为可穿戴设备在管理PD症状中的实际应用提供了宝贵的见解.