一种高效的FoG-M3方法,用于自适应性标记和预测步行的结

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 步态结 (FoG) 是帕金森病 (PD) 中的一个衰弱的运动症状,增加了跌倒的风险.
• 现有的FoG识别方法由于标签复杂性,数据不平衡和特征表示有限而难以准确预测.

研究的目的:

• 开发一种基于深度学习的准确和高效方法,用于预测帕金森病患者的步态结 (FoG).
• 为了克服Pre-FoG标签,数据不平衡和模型特征表示方面的挑战.

主要方法:

• 介绍了FoG-M3,这是一个集FoG-Mix,U-Net,Mamba模块和MoCo对比学习的深度学习模型.
• 使用非固定的长度用于Pre-FoG标签以提高准确性.
• 应用对比学习来增强模型的表示能力.

主要成果:

• 达到了95%的总体预测准确度在达芬尼号数据集和93%在BHXC数据集.
• 在两个数据集的前FoG预测中达到约90%的准确性.
• 在发病前大约6秒内预测FoG事件,从而能够及时干预.

结论:

• 该FoG-M3方法在预测Pre-FoG方面提供了高准确性和效率,超越了现有的模型.
• 这种预测能力为改善帕金森病管理和康复提供了巨大的潜力.
• 这种方法为患者提供了相当长的时间窗口来调整姿势并防止跌倒.