增强震分类:对帕金森病和基本震的生物力学模式的基于变压器的分析

科学领域:

• 生物医学工程 生物医学工程
• 人工智能在医学中的应用
• 神经科学是一个神经科学.

背景情况:

• 区分基本 (ET) 和帕金森病 (PD) 是临床上具有挑战性的,因为的特征重叠.
• 传统的方法与类似的震动频率 (4-8 Hz) 和动力表现相扎.
• 需要先进的诊断工具来准确区分ET,PD和健康对照.

研究的目的:

• 开发ET,PD和健康对照的多类差异化系统.
• 利用深度学习来从多传感器运动数据中解码独特的生物力学模式.
• 评估动态运动任务在提高诊断准确性的有效性.

主要方法:

• 多传感器加速度计 (指,食指,手腕) 在静态和动态任务中记录震.
• 基于变压器的深度学习模型与多头注意力被用来分析时空模式.
• 两种分析方法的比较:特征提取与直接处理原始传感器信号.

主要成果:

• 基于特征的方法在姿势和自由运动任务中实现了100%的准确性.
• 原始信号方法也达到了100%的准确性,用于分类自由运动和运动与对象任务.
• 动态任务 (自由运动,运动与物体) 显示出优越的诊断性能比静态任务,整体准确率99.32%,当集成.

结论:

• 变压器模型有效地使用多头注意力识别了特定疾病的生物力学模式.
• 在区分ET,PD和健康对照的高精度,特别是在动态任务中.
• 该模型显示了作为临床决策和人工智能辅助神经退行性疾病监测工具的潜力.