从步态动力学预测膝关节关节炎:探索深度神经网络的潜力和转移学习方法的时间序列分类方法

科学领域:

• 生物医学工程 生物医学工程
• 医疗保健中的人工智能
• 整形外科 整形外科 整形外科

背景情况:

• 人工智能 (AI) 提供了疾病诊断方面的进步.
• 深度神经网络 (DNN) 和转移学习是强大的AI工具.
• 步态分析对于理解下肢生物力学和检测诸如膝关节关节炎等疾病至关重要.

研究的目的:

• 探索DNNs的有效性和转移学习,以从步态动力学数据中检测膝关节关节炎 (KOA).
• 为了比较时间序列数据的不同图像表示,用于KOA检测.
• 为了确定KOA分类的最佳DNN架构.

主要方法:

• 从54名患者 (27名KOA患者,27名健康对照) 收集了步行动力学数据.
• 联合角度时间序列被转换成图像表示,包括格拉米安角场 (GAF).
• 使用GAF数据集评估了具有转移学习的10个DNN.

主要成果:

• 一个基本的卷积神经网络将格拉米安角差异场 (GADF) 确定为优越的图像表示.
• VGG16和Xception架构实现了最高的分类准确率:分别为89.7%和92.3%.
• 这项研究证明了GADF图像与DNN用于KOA检测的有效性.

结论:

• 与转移学习相结合的DNN显示出开发膝关节关节炎预测模型的巨大潜力.
• 基于图像的步行时间序列数据编码是人工智能驱动的健康诊断的可行方法.
• 这项研究为医疗保健应用的时间序列数据分类提供了宝贵的见解.