基于VGRF信号的步态分析用于帕金森病的检测:一种多尺度定向图形神经网络方法

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 神经学 神经学

背景情况:

• 帕金森病 (PD) 诊断通常涉及分析步态异常.
• 垂直地面反应力 (VGRF) 信号提供定量步态数据.
• 目前用于VGRF分析的深度学习模型忽略了信号图形结构.

研究的目的:

• 开发一个先进的深度学习模型,以改进帕金森病的步态检测.
• 为了利用VGRF信号的图形结构来增强动态步态特征表示.

主要方法:

• 提出了一个多尺度自适应定向图形神经网络 (MS-ADGNN).
• 模拟VGRF信号作为多尺度定向图,以捕捉传感器关系和压力传导.
• 综合适应定向图形网络 (ADGN) 用于空间特征提取和多尺度时间卷积网络 (MSTCN) 用于时间特征提取.

主要成果:

• 在三个数据集上,MS-ADGNN在现有方法上表现出优越的性能.
• 在交叉数据集实验中,平均准确度,F1分数和几何平均值得到了2.46%,1.25%和1.11%的改进.
• 在10倍交叉验证实验中,显示了0.78%,0.83%和0.81%的平均改善.

结论:

• MS-ADGNN有效地将帕金森病的步态与健康对照区分开来.
• 拟议的图形神经网络方法增强了动态步行特征的表示.
• 这种方法提供了一个有前途的工具,用于客观和定量PD诊断使用VGRF信号.