一个全面的深度学习模型,用于帕金森病的运动表型,使用三维 kinect V2 探测器

科学领域:

• 生物医学工程 生物医学工程
• 人工智能在医学中的应用
• 神经学 神经学

背景情况:

• 步行障碍是帕金森病 (PD) 的一个常见症状.
• 人工智能和3D运动捕捉 (Kinect V2) 允许精确的步态分析.
• 开发模型来预测PD运动表型对于诊断和管理至关重要.

研究的目的:

• 评估混合卷积神经网络-长期短期记忆 (CNN-LSTM) 深度学习模型是否与独立的CNN或LSTM模型相比,提高了PD运动表型的诊断准确性.
• 评估模型在 PD 患者不同步态模式和运动表型的分类方面的表现.

主要方法:

• 实现并比较了三个深度学习架构:CNN,LSTM和混合CNN-LSTM模型.
• 使用了骨步态能量图像,相对距离和角度作为输入特征.
• 应用合成少数群体过量采样技术 (SMOTE) 解决阶级不平衡问题.
• 采用随机森林 (RF) 和夏普利添加式解释 (SHAP) 来进行特征相关性分析.
• 将参与者分为健康的对照组,非姿势不稳定和步态障碍 (非PIGD) 和PIGD组.

主要成果:

• 混合CNN-LSTM模型在没有药物的状态下,在直行和转行过程中,实现了PIGD分类 (AUC = 0.94) 的最高预测性能.
• 与单独使用CNN和LSTM相比,CNN-LSTM在服用药物和不服用药物的情况中表现出更高的分类准确性.
• 统计分析 (DeLong测试) 在所有测试条件下证实混合CNN-LSTM模型的AUC显著更高.

结论:

• 一种混合CNN-LSTM深度学习模型,加上RF/SHAP特征分析,实现了PD运动表型的高分类性能.
• 这种人工智能驱动的方法显示出对帕金森病中步态障碍的准确和客观诊断有很大的潜力.