通过贝叶斯优化深度学习从步态信号诊断帕金森病和严重性评估

科学领域:

• 生物医学工程
• 机器学习
• 神经学

背景情况:

• 早期诊断帕金森病对于及时干预和改善生活质量至关重要.
• 步行分析提供了一种非侵入性方法来检测PD的微妙运动障碍.
• 垂直地面反应力 (VGRF) 信号为PD评估提供了有价值的信息.

研究的目的:

• 评估和比较贝叶斯优化的卷积神经网络 (CNN) 和长期短期记忆 (LSTM) 模型用于PD检测和分期.
• 将这些深度学习模型直接应用于VGRF信号.
• 在不同的VGRF信号窗口长度中评估模型的性能.

主要方法:

• VGRF录音分为5,10,15,20和25秒的时间窗口.
• 分段被规范化并用于CNN和LSTM网络的输入.
• 用五倍交叉验证的贝叶斯优化用于超参数调整.

主要成果:

• 在10秒检测PD时,LSTM模型达到99. 42%的准确度 (AUC=1,000),而在5秒检测Hoehn-Yahr时,准确度为98. 24%.
• 在二进制分类中,CNN模型达到98.46%的准确率 (AUC=0.998),在多类分类中达到96.62%的准确率 (AUC=0.998).
• 这两种模型都表现出高效率,LSTM在时间模式识别方面略有优势.

结论:

• 贝叶斯优化的CNN和LSTM模型使用VGRF数据有效地检测和分期帕金森病.
• LSTM模型在捕捉时间步行动态方面表现出色,而CNN则在较低的计算成本下提供了相似的性能.
• 对步态数据进行端到端的深度学习为非侵入性PD评估提供了有前途的途径.