用双分支注意网络进行多尺度时间分析,用于可解释的神经退行性疾病的基于步态的分类
IEEE journal of biomedical and health informatics
|June 18, 2025
概括
一个新的深度学习模型,DAERN,使用步态分析准确诊断神经退行性疾病 (NDD),如帕金森病. 这种可解释的AI工具显示了早期NDD查的高性能.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能的人工智能
- 神经学 神经学
背景情况:
- 正确诊断神经退行性疾病 (NDDs) 是具有挑战性的,因为微妙的步态异常.
- 现有的方法在像帕金森病 (PD),亨廷顿病 (HD) 和肌缩侧面硬化症 (ALS) 这样的疾病中扎着走路模式的复杂性.
研究的目的:
- 引入双分支注意力增强剩余网络 (DAERN),这是一种基于步态的NDD分类的新型深度学习模型.
- 通过SHAP和IG方法通过步态分析提高NDD诊断的可解释性.
- 将DAERN的性能与现有的机器学习和深度学习方法进行验证.
主要方法:
- 开发了DAERN,集成扩展因果卷积 (DCCBlock) 进行局部特征提取和多头自我注意 (MHSA) 进行长距离依赖.
- 采用了交叉注意力融合模块,以改善特征集成,以及夏普利添加式扩展 (SHAP) 和集成梯度 (IG) 以提高模型可解释性.
- 利用统一的多重近似和投影 (UMAP) 来可视化步态数据集群,并进行了废除研究以评估组件贡献.
主要成果:
- 在GaitNDD数据集上,DAERN实现了最先进的性能,准确率为99.64%,F1得分为99.65%,AUC为0.9997.
- UMAP可视化显示了NDD类别的明显分离,表明DAERN能够捕捉歧视性步行特征.
- 废弃性研究证实了单个模型组件和预处理技术的有效性.
结论:
- 达恩为基于步态的NDD分类提供了一个高度准确和可解释的解决方案.
- 该模型显示了NDD的早期监测和自动选的巨大潜力.
- 达恩是临床步态评估的一个有前途的工具,在实时可穿戴传感器系统中可能有应用.
