使用可穿戴传感器,深度学习技术检测帕金森病中步态结的发作
Mosleh Hmoud Al-Adhaileh1,2, Asim Wadood3, Theyazn H H Aldhyani1,4
1King Salman Center for Disability Research, Riyadh, Saudi Arabia.
Frontiers in physiology
|May 16, 2025
概括
这项研究引入了一种混合深度学习模型,用于使用可穿戴传感器检测帕金森病 (PD) 患者的步行结 (FoG). 该先进的框架准确地识别了FoG事件,改善了患者的监测和生活质量.
科学领域:
- 生物医学工程 生物医学工程
- 神经学 神经学
- 人工智能的人工智能
背景情况:
- 步态结 (FoG) 是帕金森病 (PD) 的一个显著的运动障碍,严重影响患者的流动性和生活质量.
- 准确及时检测FoG发作对于有效的临床管理和患者支持至关重要.
研究的目的:
- 开发和验证一种新的混合深度学习框架,用于使用可穿戴传感器数据实时检测FoG事件.
- 为了提高可解释性,并专注于关键的步行特征,以提高FOG检测准确度.
主要方法:
- 一种混合深度学习模型,将卷积神经网络 (CNN) 结合为空间特征提取和双向长短期记忆 (BiLSTM) 网络用于时间建模.
- 整合注意力机制以突出突出步行特征并提高模型可解释性.
- 使用多式联网数据集 (tDCS FOG,DeFOG,Daily Living,Hantao's Multimodal) 进行先进的预处理,包括传感器融合,规范化和数据增强,以确保稳定性和通用性.
主要成果:
- 拟议的模型实现了高性能指标:92.5%的平均精度,89.3%的F1得分和0.91 AUC.
- 与现有的最先进的FoG检测方法相比,其表现优越.
- 实现了低推理延迟 (<350毫秒),通过训练后量化和修剪,实现了对边缘设备 (Raspberry Pi,Coral TPU) 的实时部署.
结论:
- 开发的混合深度学习框架提供了一个有希望的,准确和高效的解决方案,用于在帕金森病中实时检测步行结.
- 该模型在边缘设备上部署的能力有助于改善临床监测,并有可能在各种环境中改善患者的治疗结果.
- 废弃研究证实了个别建筑组件对模型整体有效性的重大贡献.
