使用Kriging经验模式分解通过深度学习技术识别帕金森病

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程
• 数据科学数据科学数据科学

背景情况:

• 帕金森病 (PD) 是一种进展性神经系统疾病,难以诊断和管理.
• 目前的PD诊断依赖于临床医生的主观视觉步态分析,冒着误解的风险.
• 之前的研究利用了时空步行特征和监测系统来对PD进行分类.

研究的目的:

• 建议使用步态数据进行帕金森病分类的新方法.
• 评估Kriging实证模式分解 (KEMD) 结合机器学习 (ML) 和深度学习 (DL) 技术用于PD分类的有效性.
• 在准确性,灵敏性和特异性方面比较不同算法的性能.

主要方法:

• 使用Kriging实证模式分解 (KEMD) 来分解行走信号,以减少数据复杂性和计算负载.
• 多个机器学习和深度学习算法应用于PD分类所处理的步态数据.
• 性能指标包括准确性,灵敏性和特异性用于评估分类算法.

主要成果:

• 长期短期记忆 (LSTM) 网络在评估的ML和DL技术中表现出卓越的性能.
• LSTM实现了最高的分类准确性,从步态数据中识别帕金森病达到99.10%.
• 提出的基于KEMD的方法,特别是LSTM,显著优于其他方法.

结论:

• 该LSTM模型与KEMD集成用于步行信号处理,为帕金森病的分类提供了一个高度准确和可靠的方法.
• 这种方法提供了一个有希望的,客观的工具来帮助临床医生诊断和管理PD.
• 进一步的研究可以探索KEMD在神经障碍步态分析中的更广泛应用.